美国股票开盘和收盘拍卖的动态规律

2022-6-6 20:21:59

一个标准是市场质量，例如定义为开盘拍卖后或收盘拍卖前价格和买卖价差的波动性。通常，拍卖会提高市场质量（参见Pagano和Schwartz（2003）、Chelley Steeley（2008）、Pagano等人（2013））。我们的重点是拍卖本身，尤其是前期阶段。与我们密切相关的论文屈指可数。Gu et al.（2008）发现了深圳证券交易所参考价格两侧的仓位订单安排的幂律尾密度；Kissell和Lie（2011）报告了拍卖量相对于总日交易量的平均分数2018年10月8日0:56 WSPC/指令文件拍卖及其对特殊日期（月末、季末等）和美国股票资产资本化的依赖性。Gu等人（2010）报告称，最终拍卖价格两侧的拍卖限额订单簿的平均密度符合指数分布，并计算了深圳证券交易所订单规模的持续波动特性。最近，Boussetta et al.（2016）对法国证券交易所进行了研究，发现不同类型的市场参与者在明显不同的时间进入拍卖前阶段，缓慢的经纪人首先行动，而高频交易者往往在拍卖结束后更为活跃。同样，Bellia等人（2016）展示了低延迟交易者（被认定为高频交易者）在东京证券交易所开盘前拍卖中如何以及何时添加或移除流动性。Lehalleand Laruelle（2018）在一章中以与我们相似的精神，特别是关于典型的日常活动模式，专门讨论了拍卖。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-6 20:22:04

最后，Challet（2019）表明，在巴黎证券交易所，拍卖时间附近事件率加速和典型指示性价格波动率下降的对抗性影响无法解释观察到的指示性价格的差异性，这可能是由于战略行为。本文的组织结构如下：我们首先确定在两个拍卖结束时间匹配订单的数量分布。然后，我们找到了交易规则，以根据每日数据估算开盘和收盘交易量。最后，我们考察了指示性价格、失衡和匹配量的动态。我们特别指出，在开盘和收盘拍卖中，最终拍卖价格对下单或取消订单的反应明显不同，指示性拍卖价格大多存在差异，尤其是在交割前时期。最后，我们将指示性价格的动态与有限订单簿的动态联系起来：虽然中间价格确实吸引了指示性价格，但后者的波动幅度相当大，不一定会出现价差，这是由于拍卖订单簿的稀疏性。2、数据每家交易所遵循自己的拍卖规则和拍卖前信息发布程序。然而，所有拍卖的基本原则都是一样的：贸易商可以提交拍卖的市场订单（以任何价格购买/出售给定数量），或者限制订单（以给定价格购买/出售给定数量），这些订单可能仅对拍卖有效，或者如果不匹配，则保留在拍卖后的公开市场订单簿中。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-6 20:22:06

最后，确定匹配价格，以最大化匹配数量；如果该价格不是唯一的，则选择与前一收盘价最接近的价格。2018年10月8日0:56 WSPC/指令文件拍卖什么样的订单以及何时发送，然而，纽约证券交易所Arcaa（以下简称ARCA）、纽约证券交易所和NASDAQ之间存在显著差异。例如，在ARCA的收盘拍卖期间，限额和市场拍卖订单（分别称为LOC和MOC）可在拍卖时间前一分钟发送，然后在最后一分钟，仅接受减少不平衡的订单。对于纳斯达克而言，LOC/MOC订单的截止时间已于2017年10月减少至5分钟。截止时间是纽约证券交易所交易结束前10分钟，这将增加自由裁量报价（D-quotes），这可能会覆盖平衡降价订单；它们在拍卖时间前5分钟添加，可在拍卖时间前10秒内提交或修改，并可随时取消。虽然这些差异对匹配量的衡量没有直接影响，但它们可能会在拍卖时间附近改变动态特性。因为只有ARCA不断传播信息，我们无法记录这些差异。我们使用来自三个不同来源的三个数据：（1）单个匹配订单大小。对于ARCA上交易的资产，我们的汤森路透Tick History数据集包括2009年2月10日至2014年7月1日期间拍卖量的逐笔细分。对于fix符号，vxα，k，dis是拍卖x第d天第k个匹配资产α订单的数量（以股份计）∈{打开，关闭}。此数据集包含16165407个订单。（2）从汤森路透逐笔交易数据中收集的三家交易所每场拍卖的每日匹配交易量。我们用Vxα，d表示d天证券α拍卖x的总匹配量。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-6 20:22:09

根据定义，Vxα，d=PNxα（d）k=1vxα，k，dw其中，Nxα（d）是在d天生产资产α时的匹配订单数。我们还应通过pxα表示拍卖价格，该数据集包括2010-01-01至2016-11-30期间的4712项美国资产，其中公开和非公开拍卖（各3125786项），其中ARCA 179669项（6%），纳斯达克446396项（14%），纽约证券交易所2499721项（80%）。（3）最后，我们收集了三家交易所从2016年9月28日至2018年1月12日发布的1076项资产的实时信息。该信息包括指示性价格πxα，d（t）、该价格下的当前匹配量wxα，d（t）和当前不平衡Ixα，d（t），定义为指示性价格下的市场订单不平衡和限额订单不平衡之和。虽然Lenyse和NASDAQ每场拍卖仅发布这些数量的几张快照，但ARCA每天为每场拍卖发布多达数千条最新信息。ARCA数据集包含58个股票代码的47246490个更新。我们的dataahttps://www.nyse.com/publicdocs/nyse/markets/nyse-arca/NYSE_Arca_Auctions_Brochure.pdf，访问日期：2018年9月21日bhttps://www.nyse.com/publicdocs/nyse/markets/nyse/NYSE_Opening_and_Closing_Auctions_Fact_Sheet.pdf.，访问日期：2018年9月21日。chttps://www.nasdaqtrader.com/content/TechnicalSupport/UserGuides/TradingProducts/crosses/openclosequickguide.pdf，访问日期：2018年9月21日。2018年10月8日0:56 WSPC/指令文件拍卖1e-051e-031e-011e+05 1e+07 1e+09订单值P>（x）当雷达关闭时20121e-041e-021e+001e+05 1e+07订单值P>（x）当雷达关闭2012年IG时。1.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

点击查看更多内容…

2022-6-6 20:22:13

2012年ARCA交易的两种流动性最强的资产的公开拍卖、封闭拍卖和日内交易的所有交易价值的互惠经验分布函数。提供商限制每秒更新4次左右；虽然这在大多数情况下是足够的，但在SPY等流动性很强的资产的拍卖时间附近，这就变得不够了。3、匹配量我们首先关注拍卖量的相当程式化的属性，然后转向对拍卖前动态的详细分析：指示性价格、数量、活动率以及与常规限额订单簿的关系。3.1. 单订单属性图1显示了两次拍卖中匹配订单交易价值（定义为pxα、dVxα、dat）的倒数经验分布函数，以及SPY和GLD公开市场交易价值的倒数经验分布函数，SPY和GLD是整个2012年在ARCA上交易的最具流动性的资产。与开放市场交易相比，开盘和收盘拍卖的分布显然受截断的影响更大，开盘拍卖的影响更大。在某种程度上，它们反映了这样一个事实，即在封闭式拍卖中的典型总交易量大于开放式拍卖。这就提出了单日匹配订单分布的性质问题：P（pxα，dVxα，d）的重尾性质是来自日变化还是来自单订单价值分布本身的分布？可通过指数和对数正态分布拟合，并使用Vuong贴近度检验（Vuong 1989）来评估后者是否有重尾。我们每天和每次拍卖都有100多个匹配订单，总计29168次拍卖。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-6 20:22:18

有压倒性的证据表明存在重尾，按照惯例，这与小p值相对应：约92.8%的拍卖分布的p值小于0.01，而只有0.1%的p值大于2018年10月8日0:56 WSPC/指令文件auctions02460.00 0.25 0.50 0.75 1.00Vuong测试p-ValueDensityVariableLogNormalExponentialRuncated p.l.open拍卖03690.00 0.25 0.50 0.75 1.00Vuong测试p-ValueDensityVariableLogNormalExponentialRuncated p.l.close拍卖图。2、根据对数正态、指数和截断幂律的Vuong幂律检验p值评估的每项资产每天的单个匹配订单量分布的尾部。大于0.99。接下来，我们检查哪个分布最能描述尾部。我们使用Clauset et al.（2009）、Alstott et al.（2014）的方法来确定幂律尾的最佳起始点，然后研究幂律尾与对数正态、指数和截断幂律分布的比较。图2绘制了幂律和其他候选人之间Vuong检验的p值密度，计算了每天、每只股票和每次拍卖的100多个匹配订单。不出所料，它证实了尾巴的厚尾特性。最后，它表明幂律和对数正态分布之间没有真正的差别，而截断的幂律不会带来显著的平均改善。3.2. 期初、收盘和日交易量与拍卖交易量相比，给定资产的总日交易量是免费提供的。因此，我们在此试图找到一条经验法则，仅从每日数据推断开盘和收盘拍卖量。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-6 20:22:21

让我们重点关注拍卖量与每日总交易量的比率，用ρxα表示，d=Vxα，dVtotalα，d，其中Vtotalα表示d天内的总交易量，包括拍卖、OTC交易和正常交易时间以外的交易。我们从2010年1月1日至数据集结束期间的平均值开始。图3绘制了三个交易所每天和每种资产的对数密度（ρ）。纽约证券交易所观察到开盘和收盘之间的最大差异，可能是因为它不是完全自动化的。例如，开盘拍卖的结束时间不是固定的，可能发生在交易所开盘后几分钟。值得注意的是，相对于其他交易所，纽约证券交易所的收盘交易量占交易量的比例迄今为止最大。纳斯达克在集合和拍卖之间的波动性最小。我们还在同一张图中绘制了各资产的中等收入比率密度，以评估2018年10月8日0:56 WSPC/指令文件拍卖的内在多样性0.000.250.500.751.001.25-4.-3.-2.-1 0log10（ρ）densityexchangeARCANASDAQNYSEopen拍卖0.00.51.01.5-4.-3.-2.-1 0log10（ρ）densityexchangeARCANASDAQNYSEclose拍卖012-4.-3.-2.-1 0log10（中值（ρα））densityexchangeARCANASDAQNYSEopen拍卖，资产中介0123-4.-3.-2.-1 0log10（中值（ρα））densityexchangeARCANASDAQNYSEclose拍卖，资产medianFig。3、上图：拍卖量与每日总交易量的对数比率密度ρxα，d=Vxα，dVtotalα，df，每日和每项资产，按交易所分割。下图：资产密度中值对数比率，按交易所分割。对数ρα，dARCA NASDAQ NYSEopen-1.72 ± 1.24 -1.51 ± 0.79 -1.61±0.90关闭-1.78 ± 1.47 -1.15 ± 0.82 -0.91±0.60平均值（对数ρ）ARCA NASDAQ NYSEopen 0.019 0.031 0.024损失0.017 0.071 0.12表1。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-6-6 20:22:24

左表：按交易所分割的每笔拍卖记录体积比ρα，d的平均值和两个标准差。右表，资产之间的典型体积分数10平均对数ρα比率。再次指出，ARCA组之间的体积比变化最大。纳斯达克首场拍卖的资产波动性最小，而纽约证券交易所的收盘拍卖量波动性最高，紧随其后的是纳斯达克。这为所有资产带来了简单的经验法则：2010年至2016年，纽约证交所收盘时，每日交易量的12%，纳斯达克开盘时的3%，纳斯达克收盘时的7%。ARCA体积比的密度太大，无法用简单的经验法则来总结。然而，这是7年多以来确定的静态图像。为了避免计算特殊天数，我们使用了中位数。参见Kissell和Lie（2011）forestimates，了解与这些日子相关的典型变化。2018年10月8日0:56 WSPC/指令文件拍卖-2-1.5-1-0.50.02000 2005 2010 2015年Median（log10（VopenVdaily））exchangeARCANASDAQNYSEO p e n a u c t i o n-2-1.5-1-0.50.02000 2005 2010 2015年Median（log10（VcloseVdaily））exchangeARCANASDAQNYSEC l o s e a u c t i o nFig。（四）拍卖成交额的月度中位数除以每日成交总额；资产少于100的月份已被过滤掉；左图：开放式拍卖，右图：封闭式拍卖。拍卖中的交易量大致不是恒定不变的。图4绘制了拍卖量的月平均分数除以总日交易量作为时间函数的曲线图（已过滤掉资产少于100个月的月份，这基本上消除了ARCA和NASDAQ时间序列的开始。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

能者818

2022-6-6 20:22:27

事实证明，所有交易所的平均收盘拍卖分数一直在稳步上升，但纽约证券交易所除外，该数量在2015年趋于稳定，而平均而言，开盘交易分数自2012年以来一直在下降。需要注意的是，中位数是指给定交易所的所有资产，因此该图不适用于特定资产，因为资产之间的差异可能很大。换言之，推理应该逐个资产进行，这超出了本文的范围。4、拍卖前动态交易所（Pre-auction dy-NamicsExchange）传播有关指示性价格、当前该价格的不平衡以及该价格的匹配量的拍卖前信息。更新的频率变化很大：ARCA发布最频繁的信息，随着拍卖临近，纽约证券交易所的更新频率越来越高，而纳斯达克发布的信息量最小（公开前只有一次更新）。因此，我们将重点关注在ARCA交易的资产，而brie fly则关注在纽约证券交易所交易的资产。我们提醒大家注意：在时间t的第d天的拍卖x中，资产α的不平衡由Ixα，d（t）表示，当前匹配的数量由Wxα，d（t）表示，指示性价格由πxα，d（t）表示。4.1. 典型的activityLet us首先调查典型的更新模式。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-6 20:22:30

对于每项资产和每一天，我们以固定时间分辨率（1分钟）测量截至时间t的更新次数（以分钟为单位）与该特定日期（2018年10月8日）的更新总数之间的比率0:56 WSPC/指令文件拍卖0.000.250.500.751.0008:00 08:30 09:00 09:30更新平均累积分数ImbalancePriceVolumespy，公开拍卖0.000.250.500.751.0015:00 15:15 15:30 15:45 16:00更新mbalancepricevolumespy的平均累积分数，关闭拍卖0.000.250.500.751.0008:00 08:30 09:00 09:30更新mbalancepricevolumesom的平均累积分数，公开拍卖0.000.250.500.751.0015:00 15:15:30 15:45 16:00更新mbalancepricevolumetlo的平均累积分数，关闭拍卖Fig。5、SPY（ARCA）、XOM（NYSE）和TLO（ARCA）的累积事件数的平均分数随时间的变化。然后计算所有天的平均值。根据定义，该数量单调增加。在纽约证券交易所，每个数量的更新都会在固定的时间以强烈的加速模式传播（凸累积更新次数），如图5中的XOM所示。另一方面，ARCA的更新时间是不固定的，这使得我们可以量化每个资产的平均活动展开方式。直觉上，人们会认为随着拍卖时间的临近，活动会增加。其他类型的结束时间固定的拍卖也是如此，例如oneBay（见Borle et al.（2006））。事实上，在拍卖中，发送不可撤销的出价可以揭示出一个人的意图。然而，活动可能在拍卖前集中的事实并不总是与strategicOctober 8，2018 0:56 WSPC/指令文件auctionsbehavior有关。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

何人来此

2022-6-6 20:22:34

事实上，在竞争性较小的环境中，人类倾向于在截止日期前采取行动，例如向会议发送摘要，或支付会议费用（Al fi等人，2007年、2009年）。延迟订单提交可将过早泄露方向信息的风险降至最低。避免向交易者泄露过多信息的另一种可能性是在固定时间同步他们的行动，以便在大量订单中丢失单个行动，例如8:30的SPY（见下文），以及更大程度上的巴黎证券交易所（Challet 2019）。然而，大多数从业者更感兴趣的是，在给定时间内，指示性匹配量除以最终拍卖量的典型分数的演变。这里，我们计算资产和每天的分数Wxα，d（t）/Vxα，devery minute，并计算每个资产的平均值和中位数。图6绘制了SPY和TZA的该数量。在公开拍卖期间，人们通常会注意到匹配卷的加速，这远远大于卷更新的数量，尤其是在9:15之后。这意味着较大的订单将在拍卖结束时间提交给失败者，这与人们试图避免对指示性价格产生太多直接影响的做法是一致的，因为匹配的数量随着时间的推移而增加。人们还注意到，这两种资产的日成交量拍卖中有相当一部分是在8:30和8:45左右提交的。然而，选择这两个股票代码是为了说明资产之间缺乏普遍性。事实上，TZA清楚地表明，在一些日子里，很大一部分拍卖会在收盘前取消，但这并不系统，因为主题分数不超过1。在开盘或收盘拍卖时，其他资产也会出现这种情况。Bellia等人。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-6 20:22:38

（2016年），临近拍卖结束时间的取消主要是由于高频交易者。这一数量在美国交易所的行为与巴黎证券交易所的行为明显不同，Challet（2019）发现，在拍卖时间之前，事件数量作为一项幂律而增加。虽然SPY在函数时间内具有明显的加速、凸平均匹配体积比，但我们通过将一阶和二阶多项式拟合为Wxα、d（t）/Vxα（d），并计算其各自的Akaike信息准则（AIC），对这种模式逐资产进行了系统研究。再次使用Vuongratio测试，我们发现开放式拍卖的资产有3%的线性fit，而在5%水平的收盘拍卖中没有线性fit；反过来，两次拍卖中，二度融资都比线性融资好64%，其余33%无法确定。在这64%的资产中，75%的资产在开盘拍卖时有凸面加速行为，89%的资产在收盘拍卖时有凸面加速行为。最后，人们可能会对平均指示性交易量达到拍卖量给定百分比的典型时间感兴趣。对于ARCA上的每项资产，我们计算了总拍卖量50%匹配的时间的中位数（天数），发现两个峰值分别集中在8:30和8:55的开放式拍卖，以及一个大峰值集中在15:35的封闭式拍卖。2018年10月8日0:56 WSPC/指令文件auctions0.250.500.751.0008:00 08:30 09:00 09:30Wx（t）V（tx）meanmedianSPY，open auction0.20.40.60.81.015:00 15:15 15:30 15:45 16:00Wx（t）V（tx）meanmedianSPY，close auction0.250.500.751.0008:00 08:30 09:00 09:30Wx（t）V（tx）meanmedianTZA，open auction0.40.81.21.615:00 15:15 15:30 15:45 16:00Wx（t）V（tx）meanmedianTZA，结束拍卖图。6.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-6 20:22:41

在ARCA上交易的SPY和TZA匹配交易量和总拍卖量的平均分数和中位数，作为时间的函数。4.2. 均值回归和次级差异价格基于ARCA数据，我们首先检查指示性价格是否表现为标准布朗运动，或者是否存在最终拍卖时间以及活动和匹配数量稳步增长的事实对指示性价格波动模式有影响。更准确地说，我们测量指示性匹配日志价格日志πxα，d（t）和最终拍卖日志价格日志pxα，d（tx）之间的平方差，通过指示性价格日志回报的每日方差重新标度，以τ=tx标度- t通过定义d（τ）=log（pxαd（tx）/πxα，d（t））var（[log（πxα，d（t）/πxα，d（t- 1））]）（4.1）2018年10月8日0:56 WSPC/指令文件拍卖●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●010203040500 2000 4000SecondsMedia（Dt）间谍，打开●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●02046000 1000 2000 3000secondsMedian（Dt）SPY，close02460.2 0.4 0.6 0.8HdensityauctioncloseopenARCAFig。左侧和中间地块：参考拍卖价格相对于拍卖价格与拍卖前剩余时间的平方中位数离散度，加上幂律系数（开幕式拍卖的赫斯特指数H’0.45，闭幕式拍卖的赫斯特指数H’0.23）。右图：与H相关的p值小于0.001的ARCA所有股票的赫斯特指数H直方图。通常，D（τ）∝ τ2hw其中H是赫斯特指数。分散过程的H=1/2，而分散过程的H<1/2。请注意，我们通过每日指示性价格日志回报的方差进行归一化，以便能够以有意义的方式确定日平均值。我们首次筛选出价格更新不到50次的单件拍卖。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-6-6 20:22:46

然后，我们将τ离散为1分钟的切片，计算每个切片τ的天数D的中值，并执行非线性中值D（τ）=aτ2H（为了稳健性，去除最大τ中值D（τ））。图7的左图和中图显示了更新次数最多的资产（SPY）的D对τ的依赖性示例；08:30达到峰值是因为许多交易员在这段时间左右提交了拍卖订单，其影响可能会显著改变指示性的匹配价格，通常随后会出现另一个相反的跳跃或逐渐放松。右侧图显示了所有资产上H的密度，并有足够的ARCA数据（我们只保留了与H相关的Pv值小于0.001的资产）。我们发现，开幕式拍卖的指示性价格对73%的开幕式拍卖资产和93%的闭幕式拍卖资产具有次要影响。这种次级分割财产可能有几个原因。首先，差异是从拍卖结束时间向后计算的，因此，随着拍卖时间的增加，典型的事件率会下降，这会机械地导致次差异，前提是每个事件的直接影响大致保持不变。Challet（2019）利用巴黎证券交易所的数据更详细地讨论了这一假设，其中通过事件数量和典型指示性价格变化随时间变化的简单比例定律简化了分析，并得出结论，单凭机械效应无法解释观察到的价格行为，这证实了战略行为的重要性。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

何人来此

2022-6-6 20:22:50

由于我们的数据中没有这样的比例定律，我们无法将这一结果复制到美国股市。2018年10月8日0:56 WSPC/指令文件拍卖0.500.520.540.5608:00 08:30 09:00 09:30P（δIt+1It<0）VXX，打开0.520.560.6015:00 15:15 15:30 15:45 16:00P（δIt+1It<0）VXX，关闭0510150.5 0.6 0.7 0.8P（δIt+1It=-1） densityauctioncloseopenARCAFig。左图和中间图：一个新事件作为VXX和开盘和收盘拍卖的时间函数减少不平衡的平均概率。右图：该概率的每个股票报价器的平均日直方图。事实上，另一个导致次分化的原因是新订单往往会消除目前的平均失衡。换言之，发布新拍卖订单的一种战略方式是等待不平衡迹象与自己的意图相反，然后才发送订单。通过δIt+1=It+1来定义新事件（新订单或取消）的不平衡差异-然后，这种战略行为可以用P[符号（It+1×δIt）=-1]. 请注意，这还包括订单取消，这比下单要难得多，因此在这里将被忽略。图8显示了VXX的条件概率随时间的变化，VXX代表了许多其他以ARCA为主要交换条件的资产：对于大约95%的资产，这种概率在开盘拍卖时小于在收盘拍卖时。此外，这一概率表明，在15:30左右的收盘拍卖中有一个明显的最大值。在拍卖前的最后几分钟，其他一些资产显示出这种可能性的增加（例如SPY）。顺便提一下，请注意，在公开拍卖期间，SPY的概率约为1/2，在收盘拍卖期间约为0.53（大致不变），这可能是因为我们的数据馈送无法跟上该资产的事件率。4.3.

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-6 20:22:53

响应函数描述拍卖前阶段动态的一种更明确的方法是衡量最终拍卖价格对给定类型事件的反应，作为拍卖前剩余时间的函数。例如，拍卖价格对时间t下的新购买订单的平均响应是正还是负？在公开的市场订单中，答案很直观。拍卖之所以不同，至少有两个原因。首先，由于在拍卖结束之前没有交易，真正的影响不是立竿见影的。其次，将订单发送到拍卖会可以揭示出一些关于一个人意图的信息，因此订单提交或取消的时间有一个明确的战略方面。换句话说，早期订单可能会引发2018年10月8日0:56 WSPC/INSTRUCTION FILE Auctions的不同响应，这仅仅是因为提交前一份订单的交易员的策略或预期与后一份不同，可能会或可能不会在拍卖结束时间前取消部分订单，这与Boussetta等人（2016）的观点一致。让我们首先从指示性失衡和匹配量的变化迹象中得出几种事件的性质。表2列出了可以从out数据馈送推断出的三种事件。请注意，如果缺少更新的部分变得大量，这种确定将变得不精确。δIδM事件>0>0新购买订单<0>0新销售订单任何<0取消或限制订单价格修订表2。事件类型取决于不平衡、匹配数量和匹配价格的变化。灵感来源于Bouchaud等人。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-6 20:22:57

（2006），我们定义了在给定更新时间ti，asRα，+（ti）=中值时，对于给定资产α，生产价格对新订单的线性响应函数α、 d（ti）对数pxα，d- 对数πxα，d（ti）|δWα，d（ti+1）>0，δI（ti+1）6=0i、 d，（4.2）其中α、 d（ti）是i的符号（1表示买入，1表示卖出）-在第d天，在时间ti=t时，为拍卖x下的第th个订单和资产α，以及pxα，是在时间tx时的价格拍卖。其思想是，平均而言，新的购买订单将拍卖价格px推向与销售订单相反的方向，因此价格差异乘以新订单的符号。对于订单取消，可以定义相同类型的响应函数，当匹配体积减少（δW<0）时，订单取消会发生，我们将其表示为Rα，。图9显示，早期新订单平均具有绝对积极的影响，而取消订单则具有相反的影响。最能说明问题的是，区分哪些事件会加剧或改善当前的失衡。实际上，我们为符号I（t）×δI（t+1）的每个值计算一个响应函数。这产生了更丰富的图片，如图10所示。对于许多资产，新的不平衡恶化顺序的条件响应函数存在明显的最大值。再次，取消对全球产生了相反的影响。首先，最令人惊讶的是，对于许多资产来说，条件响应函数的符号在开盘和收盘拍卖之间恢复。这强调了两次拍卖之间的根本区别。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-6 20:23:01

虽然我们无法对这一现象提供明确的解释，但我们认为，这主要是因为在收盘拍卖期间发生了活跃的交易，而在美国股票的开盘拍卖期间发生的交易少得多。最后，请注意，不同资产的响应函数非常不同，这反映了一个事实，即交易员的典型群体可能与2018年8月0:56 WSPC/指令文件拍卖的资产有很大差异●●●● ● ● ● ● ● ● ● ● ●●●●● ●-0.0010.0000.0010.00208:00 08:30 09:00响应函数RVXX，公开拍卖，新订单●●●●● ●●● ● ● ● ●-4e-040e+004e-048e-0415:00 15:15 15:30 15:45响应函数RVXX，结束拍卖，新订单●● ● ● ● ● ● ●●●●● ● ● ●● ●●-0.0015-0.0010-0.00050.00000.000508:00 08:30 09:00响应函数RVXX，公开拍卖，取消● ●●●●●●● ● ● ● ●-5e-040e+0015:00 15:15 15:30 15:45响应功能RVXX，结束拍卖，取消图。9、VXX生产过程中新订单（左图）和订单取消的中值响应函数。误差条对应两个标准偏差。到资产。因此，不存在平均响应函数。公开市场限额指令簿的响应函数也是如此，例如，它取决于市场指令符号的自相关指数（Bouchaud et al.2006），而这又取决于市场参与者的数量（Toth et al.2012）。4.4. 表征指示性价格动态的指示性价格和定期限价指令簿还需要研究其与定期市场指令簿最佳价格的相互作用。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-6 20:23:04

首先，一些数学符号：a（t）是最好的要价，b（t）是最好的出价，m（t）=[a（t）- b（t）]/2 2018年10月8日0:56 WSPC/指令文件拍卖●●●●●●● ● ●●●●●●● ●●●● ●●●●●●●●●●●●●●●●●-0.0010.0000.0010.00208:00 08:30 09:00条件响应函数RsignIdI●●-11VXX，公开拍卖，新订单●●●●●●●●●●●●●● ●● ●● ● ●●●●●●●-0.002-0.0010.0000.00115:00 15:15 15:30 15:45 16:00条件响应函数RsignIdI●●-11VXX，结束拍卖，新订单●●●●● ●● ●●● ●●●●●●●●●● ●●●●●● ● ●●●● ●●●●●-0.002-0.0010.0000.00108:00 08:30 09:00条件响应函数RsignIdI●●-11VXX，公开拍卖，取消●●●●●●●●●●●●●●●●●● ●● ● ●●●●●-0.0015-0.0010-0.00050.00000.000515:00 15:15 15:30 15:45 16:00条件响应函数RsignIdI●●-11VXX，结束拍卖，取消图。10、新订单（左图）和订单取消的响应函数，条件是增加（签字δIt+1=1）或减少（签字δIt+1=-1） VXX公开拍卖前的绝对总不平衡。误差条对应两个标准偏差。中间价格和mw（t）=vaa-vbbva+vb（t）以最佳价格由相应的可用量（Va和vb）加权的中间价格。直觉上，指示性价格π必须以某种方式与中间价格相关，因为这两种价格都是同一资产价格发现的代理，尽管方式明显不同。我们首先报告指示价格在价差中花费的时间分数（以更新为单位），即P[b（t）≤ π（t）≤ a（t）]，用于在给定时间片中随机选择的更新。图11报告了平均价差（以bps为单位）~s=（a- b） /mversus平均P[b（t）≤ π（t）≤ a（t）]对于所有资产（这里的平均值是指时间段内的平均值，对于给定资产，其本身在几天内的平均值）。对于公开拍卖，我们发现∝ exp P[b（t）≤ π（t）≤ a（t）]。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-6 20:23:06

换句话说，定义2018年10月8日0:56 WSPC/指令文件拍卖●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●0.010.101.0010.000.2 0.4 0.6 0.8P（π∈ 【b，a】）价差【bps】拍卖●●关闭打开1E-041e-021e+001e-04 1e-03 1e-02δmP>（δm）SPY，打开拍卖图。左图：35项最活跃资产的中间价差（以bps为单位）与价差所用时间与指示拍卖价格的比值。右图：倒数累积分布函数P>（δm=|π- m |/m）用于公开拍卖间谍；红色虚线为∝ 1/δ曼德仅用于眼睛。●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●02408:00 08:30 09:00 09:30median（δs）mean（δs）SPY公开拍卖●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●0102015:00 15:15 15:30 15:45 16:00中等（δs）均值（δs）间谍，结束拍卖图。12、指示性价格和中间价格之间的平均距离和中间距离，以分布为单位δs=|π- 当指示性价格超出范围时，m |/s作为SPY的函数时间；左图：公开拍卖，右图：封闭拍卖）指示性价格的相对偏差δm=|π- m |/m并假设所有这些资产的δmis分布相同，且独立于|/s，我们于2018年10月8日0:56 WSPC/指令文件auctionsP[b（t）≤ π（t）≤ a（t）]=P（δm≤ 秒/秒）∝ 对数s，因此P（δm）∝ 1/δm：这一简单（且粗略）的论点表明，指示性价格和中间价格的相对距离分布在所有资产上都是重尾分布，指示性价格几乎不关心价差的存在；这部分是由于拍卖账簿中占用的tick之间的差距很可能是厚尾的，因为如果相对的tick大小不太大，则常规交易时间限制订单账簿很少（Gillemot et al.2006）。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-6-6 20:23:10

我们检查了所有资产没有通用的P>（δm），但它通常是厚尾的（参见图11中的P>（δm）\'1/δm）。封闭式拍卖在正常交易时间进行，即典型价差小得多的时候。如果指示性价格没有特殊理由影响价差，因此不受对价差的强大影响，那么人们预计它在价差上花费的时间比公开拍卖期间少。这正是发生的情况（见图11）。当指示性价格在价差的外侧时，通常小于2个价差（图12），而其平均值有时可能大得多，尤其是价差较小时。有趣的是，开放式和封闭式拍卖的典型平均偏差表现出相同的行为：稳定增长，然后急剧下降，在8:30出现额外峰值，如上所述，在该时间段，相当大一部分交易量用于该特定资产（SPY）。衡量指示性价格如何被中间价吸引的一个可靠方法是指示性价格变化使其更接近中间价的概率，换句话说，回归概率P[（π（t+1）- π（t））（π（t）- m（t））<0]。图13绘制了作为价差函数的逆转概率；平均价差越大，当π在价差中时，两个方向的反转概率越大。当π在价差之外时，逆转并不取决于封闭式拍卖的平均价差，但显然取决于开放式拍卖的平均价差。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

2022-6-6 20:23:14

为了检查过冲的频率，我们还测量了P[（π（t+1））- m（t+1））（π（t）- m（t））<0 |π，不存在价差），其在公开拍卖中的平均值约为0.02，在封闭拍卖中的平均值约为0.05，即非常小。最后，我们通过估计|π（t）的分数来检查指示性价格是否接近中间价或加权中间价- m（t）|>|π（t）- mw（t）|当指示性价格在价差内或价差外时。差异很小，但却是真实的（见图14）。平均P（|π（t）-m（t）|>|π（t）-mw（t）|）在所有时间段和35个流动性最强的资产上为0.45。换句话说，与加权中间价相比，中间价是一个更值得信赖的参考点。指示价格是否在价差之内或之外对估计没有影响。结论拍卖过程的动力学特性远非微不足道，与公开市场限价指令簿的动力学特性有显著差异。首先，因为2018年10月8日0:56 WSPC/指令文件拍卖●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●0.40.60.81.00.01 0.10 1.00 10.00价差【bps】P（（π（t+1）- π（t））（π（t）- m（t））<0）拍卖●●收盘价差中的指示性价格●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●0.40.60.81.00.01 0.10 1.00 10.00价差【bps】P（（π（t+1）- π（t））（π（t）- m（t））<0）拍卖●●关闭spreadFig之外的指示性价格。13

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

kedemingshi

2022-6-6 20:23:17

当指示性价格在价差内（左图）和价差外（右图）时，指示性价格回归至中间价格的概率作为平均价差的函数●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●0.000.250.500.751.0008:00 08:30 09:00 09:30P（|π-m |>π- mw |）指示性价格●●外部展区内部展区Spy，公开拍卖●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●●0.000.250.500.751.0015:00 15:15 15:30 15:45 16:00P（|π-m |>π- mw |）指示性价格●●在spreadSPY外部，关闭auctionFig。在公开拍卖（左图）和封闭拍卖（右图）中，指示性价格更接近加权中间价Mw而不是中间价m的概率随时间的变化。2018年10月8日0:56 WSPC/指令文件拍卖平衡过程为均值回复，指示性价格存在差异。第二，开幕式和闭幕式拍卖的主题反应功能可能有相反的迹象。有三个重要因素导致了这些差异。首先，固定时间的拍卖迫使交易者在拍卖前披露所有流动性，从而增加了战略订单提交时间的重要性，正如拍卖结束前流动性的大幅相对取消，或某些资产在拍卖结束前几分钟匹配成交量的分数加速所示。第二，在拍卖过程中，notrade起源于拍卖账簿的建立；因此，通常的价格效率条件在此不适用。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

何人来此

2022-6-6 20:23:20

特别值得注意的是，在美国交易所的研究中，连续的双重拍卖与拍卖过程平行进行；这就是为什么开盘拍卖的响应功能与收盘拍卖的响应功能非常不同的原因之一：事实上，在收盘拍卖期间，公开市场限额指令簿上可用的相对流动性远远大于开盘拍卖期间正常交易时间以外的相对流动性。最后，指示性价格可能与常规限价指令书的中间价格相差甚远，尽管平均而言，前者以不可忽视的概率回归到后者。由于数据可用性，我们在拍卖前阶段的结果主要是关于Nyse Arca，即主要是关于ETF。未来的工作将使用更好的数据来检查上述发现是否也适用于更常见的股票。鉴于以上讨论的机制，这并非不可能。N、 G.感谢CentraleSup'elec延长逗留时间，在此期间完成了部分工作。我们感谢法布里齐奥·利洛和蒂埃里·博丘德的激励性讨论。我们还感谢C'edric Joulain为我们提供了他的LispTick fastdata流框架。用于数据分析的源代码免费提供https://github.com/damienchallet.ReferencesAlFi，V.，Gabrielli，A.，Pietroniro，L.，2009，《人们对截止日期的反应：会议注册和费用支付的时间分布》。开放物理7，483–489。Al fi，V.，Parisi，G.，Pietroniro，L.，2007，《会议注册：人们对aDeadline的反应》。《自然物理学》3746–746。Alstott，J.，Bullmore，E.，Plenz，D.，2014，《powerlaw：用于分析重尾分布的Python包》。PloS one 9，第e85777页。Bellia，M.，Pelizzon，L.，Subrahmanyam，M。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

大多数88

2022-6-6 20:23:23

G、，Uno，J.，Yuferova，D.，2016，《低延迟交易和价格发现：东京证券交易所开业前和开业期间的证据》。Borle，S.、Boatwright，P.、Kadane，J.B.，2006，《出价的时间安排和多重出价的程度：使用eBay在线拍卖的实证调查》。统计科学，194–205。Bouchaud，J.P.、Kockelkoren，J.、Potters，M.，2006年，《随机游走、流动性风险和金融市场的关键反应》。量化金融6115–123。Boussetta，S.、Lescourret，L.、Moinas，S.，2016年，《开放前机制在基础市场中的作用》。2018年10月8日0:56 WSPC/指令文件auctionsChallet，D.2019，巴黎证券交易所的战略行为和指示性价格差异。2017年亚太经合组织会议记录。Chelley Steeley，P.L.，2008，《伦敦股市的市场质量变化》。《银行与金融杂志》322248–2253。Clauset，A.，Shalizi，C.R.，Newman，M.E.，2009，《经验数据中的幂律分布》。暹罗评论51661–703。Gillemot，L.，Farmer，J.D.，Lillo，F.，2006年，波动性比成交量更重要。定量金融6371–384。顾国富，陈文华，周文华，2008，中国股市下单的经验规律。Physica A：统计力学及其应用387313–3182。顾国富、任正富、倪、X、H、陈、W、周、W、X，2010，中国股市开放式看涨期权拍卖的经验规律。Physica A：统计力学及其应用389278–286。Kissell，R.，Lie，H.，2011，《美国交易所拍卖趋势：近期开盘和收盘拍卖行为及其对订单管理策略的影响》。《交易日志》第6、10–30页。Lehalle，C.-A.，Laruelle，S.2018，《实践中的市场微观结构》。，世界科学，第二届。Pagano，M.S.，Peng，L.，Schwartz，R。

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝