全部版块 我的主页
论坛 经济学人 二区 外文文献专区
1047 43
2022-06-14
英文标题:
《Forecasting of Jump Arrivals in Stock Prices: New Attention-based
  Network Architecture using Limit Order Book Data》
---
作者:
Ymir M\\\"akinen, Juho Kanniainen, Moncef Gabbouj, Alexandros Iosifidis
---
最新提交年份:
2018
---
英文摘要:
  The existing literature provides evidence that limit order book data can be used to predict short-term price movements in stock markets. This paper proposes a new neural network architecture for predicting return jump arrivals in equity markets with high-frequency limit order book data. This new architecture, based on Convolutional Long Short-Term Memory with Attention, is introduced to apply time series representation learning with memory and to focus the prediction attention on the most important features to improve performance. The data set consists of order book data on five liquid U.S. stocks. The use of the attention mechanism makes it possible to analyze the importance of the inclusion limit order book data and other input variables. By using this mechanism, we provide evidence that the use of limit order book data was found to improve the performance of the proposed model in jump prediction, either clearly or marginally, depending on the underlying stock. This suggests that path-dependence in limit order book markets is a stock specific feature. Moreover, we find that the proposed approach with an attention mechanism outperforms the multi-layer perceptron network as well as the convolutional neural network and Long Short-Term memory model.
---
中文摘要:
现有文献证明,限价指令簿数据可用于预测股票市场的短期价格变动。本文提出了一种新的神经网络结构,用于预测股票市场中高频极限订单数据的收益跳跃到达。这种新的体系结构基于带注意的卷积长短时记忆,用于应用带记忆的时间序列表示学习,并将预测注意力集中在最重要的特征上,以提高性能。该数据集包括五只流动美国股票的订单数据。使用注意机制可以分析包含限制订单簿数据和其他输入变量的重要性。通过使用这一机制,我们提供了证据,证明使用限额订单数据可以明显或轻微地改善所提出模型在跳跃预测中的性能,具体取决于基础股票。这表明限价订单市场的路径依赖是股票特有的特征。此外,我们发现,所提出的具有注意机制的方法优于多层感知器网络、卷积神经网络和长-短期记忆模型。
---
分类信息:

一级分类:Quantitative Finance        数量金融学
二级分类:Trading and Market Microstructure        交易与市场微观结构
分类描述:Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构,流动性,交易和拍卖设计,自动化交易,基于代理的建模和做市
--

---
PDF下载:
-->
二维码

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

全部回复
2022-6-14 02:53:54
股票价格跳涨预测:使用极限订单数据的基于新注意力的网络架构,*, Moncef Gabbouja,Alexandros Iosi芬兰坦佩雷理工大学信号处理研究所。芬兰坦佩雷理工大学工业和信息管理实验室。C丹麦奥胡斯大学工程、电气和计算机工程系现有文献证明,限价订单数据可用于预测股票市场的短期价格变动。本文提出了一种新的神经网络结构,用于预测具有高频有限订单数据的股票市场中的收益跳跃到达。这种新的体系结构基于带注意的卷积长短时记忆,用于应用带记忆的时间序列表示学习,并将预测注意力集中在最重要的特征上,以提高性能。该数据集包括五只流动美国股票的订单数据。使用注意机制可以分析inclusionlimit订单簿数据和其他输入变量的重要性。通过使用这种机制,我们提供了证据,证明使用限价订单数据可以明显或轻微地改善所提出模型在跳跃预测中的性能,具体取决于基础股票。这表明限价订单市场中的路径依赖是一个特殊的特征。此外,我们发现,所提出的具有注意机制的方法优于多层感知器网络、卷积神经网络和长短期记忆模型。关键词:跳跃,极限订单书数据,神经网络,卷积网络,长-短期记忆,注意机制1。
二维码

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

2022-6-14 02:53:57
简介如今,许多交易所,如纽约证券交易所(NYSE)和各种纳斯达克交易所,都在使用由提交限额指令驱动的系统。Limitorders是向系统提交的文件,其中包含要购买或出售的价格和所需数量。限价订单簿(LOB)市场的运行频率非常高,对于位于该市场的机器,延迟通常从毫秒到几纳秒不等*相应的authorEmail地址:(Ymir M–akinen),juho。kanniainen@tut.fi(Juho Kanniainen),moncef。gabbouj@tut.fi(Moncef Gabbouj),亚历山德罗斯。iosifidis@eng.au.dk(Alexandros Iosi fidis)预印本于2021年9月17日在交易所附近提交给arXiv。这一点以及从交易所获取事件数据的可能性,产生了大量数据,为数据处理创造了新的机会。这使得对许多有趣问题的市场分析达到了一个全新的水平(例如,见Toth et al.,2015;Chiarella et al.,2015),但也给理论和计算方法带来了独特的挑战(Cont,2011)。在最近的文献中,引入了可处理模型和数据驱动方法,即机器学习来预测LOB数据的价格变动(Cont et al.,2010;Cont,2011;Cont和De Larrard,2012;Kercheval和Zhang,2015;Ntakaris et al.,2018;Tsantekidis et al.,2017b,a;Passalis et al.,2017;Dixon,2018;Tran et al.,2018;Sirignanoand Cont,2018)。总体而言,现有文献提供的证据表明,限价订单账簿数据可用于预测股票市场的价格变动。尽管通常使用LOB数据预测股票价格变动,但关于使用LOB数据预测股价上涨的研究较少。
二维码

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

2022-6-14 02:54:00
股票价格上涨是价格路径上的显著不连续性,因此当时实现的回报远大于通常的持续创新。在文献中,有强有力的实证证据表明股票市场存在收益跳跃(参见,例如,Eraker,2004;Lee,2012;Yang和Kanniainen,2017,以及其中的参考文献)。从经济上讲,回报率的跳跃反映了信息的到达(Lee,2012;Bradley等人,2014;Kanniainen和Yue,2017),因此,股价的跳跃也与信息发布的可预测性有关。此外,收益跳跃在期权定价中至关重要(Cont和Tankov,2003)。这项工作解决的主要研究问题如下:利用高频极限订单(LOB)数据和先进的机器学习技术,可以预测股票收益率的跳跃幅度有多大?随之而来的问题是,订单数据中是否可以预见价格上涨。这些问题的动机是,做市商,即流动性提供者,可以事先获得关于即将到来的预定或非预定新闻的信息,这些信息将作为大幅度的价格波动实现,并与做市商对抗。成熟的做市商不想提供流动性,因为限额指令可以理解为以给定价格交易标的证券的期权,并且可以避免逆向选择(见Copeland和Galai,1983)。正如福柯等人(2007)所言,如果限价单在新信息到达后变得过时,投机者可能会行使这些选项,即选择限价单。因此,成熟的做市商不想冒这样的风险,即在价格上涨后,他们的限价指令出现在账簿错误的一侧,被快速交易商利用,这被视为低限价指令账簿流动性Siikanen et al.(2017)。
二维码

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

2022-6-14 02:54:03
此外,如果做市商不仅能够预测未来涨势的位置,还能够预测未来涨势的方向,那么限价指令簿可能会变得不对称缺乏流动性。这种情况如图1所示,图1显示了2014年6月9日苹果的订单价格中间价出现了大幅上涨,在上午9:33-9:34之间检测到了积极的上涨。该图提供了1分钟跳转间隔开始前1分钟和1秒的快照,以及相同1分钟跳转间隔结束后1秒的第三个快照图。它表明了以下几点:–在跳跃间隔开始前1分钟:订单簿是对称的,虽然很薄(薄且广泛),但按市场顺序交易大量股票相对昂贵跳转间隔开始前1秒:订单簿变得不对称,所以订单簿在ask端流动性非常低,而在bid端流动性相对较高。这可能意味着流动性提供者有一种预感,即将出现正的中间价上涨。在这种情况下,即使是askside的小额交易也会导致价格大幅上涨跳转间隔结束后1秒(间隔开始后1分1秒):提供的流动性在ask端恢复,ask端流动性恢复。100000 0 10000Quantity92.292.492.692.893.093.2Price-1 min100000 0 10000Quantity92.292.492.893.093.2Price-1 s100000 0 10000Quantity92.292.492.692.893.093.2Price+1分钟s图1:2014年6月9日苹果订单上的三个快照,大约在上午9:33-9:34之间检测到跳跃。左侧的曲线图显示了上午9:32跳转间隔开始前一分钟订单簿的状态。中间的一个图显示了上午9:29:59时间隔开始前一秒的订单簿状态。
二维码

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

2022-6-14 02:54:06
右侧的第三个绘图在上午9:34:01am间隔结束后第二秒绘制订单簿。数量为零的红线左侧包含投标(即投标订单显示为负数量),称为本书的投标侧,右侧包含询价(即正数量),称为询价侧。黑色虚线表示中间价格。数据由纳斯达克美国提供。这个例子也回避了关于根本原因的问题:如果做市商基于市场基本面预期价格上涨,从而在风险方没有提供流动性,或者,如果价格波动是由微观结构噪音引入的,那么在风险方的订单簿流动性不足不是基于市场基本面。在本文中,我们保持这两种解释都是可能的。事实上,根本原因是相当不相关的——本文的目的是建立神经网络模型来预测价格上涨,从而回答订单数据中是否可以预见价格上涨的问题,这是根本原因之一还是其他原因。在方法论上,我们有两类预测问题:在下一分钟内是否有一个跳跃。输出数据包括对检测到的股价跳跃的位置和迹象的逐分钟观察。输入数据从重构的订单簿中提取。我们不仅使用“原始”数据,即不同级别的价格和数量,还使用从过去120分钟的毫秒级观测中提取的手工特征。关于跳跃,本文遵循现有文献,将跳跃定义为无法用布朗运动解释的大型价格运动。作为初步步骤,使用的非参数jumpdetection检验(Lee和Mykland,2008)从高频中等价格数据中检测返回跳跃的位置。
二维码

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…
相关推荐
栏目导航
热门文章
推荐文章

说点什么

分享

扫码加好友,拉您进群
各岗位、行业、专业交流群