围绕宏观经济新闻建模外汇市场活动：霍克斯过程

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Modeling FX market activity around macroeconomic news: a Hawkes process
  approach》
---
作者：
Marcello Rambaldi, Paris Pennesi, Fabrizio Lillo
---
最新提交年份：
2014
---
英文摘要：
  We present a Hawkes model approach to foreign exchange market in which the high frequency price dynamics is affected by a self exciting mechanism and an exogenous component, generated by the pre-announced arrival of macroeconomic news. By focusing on time windows around the news announcement, we find that the model is able to capture the increase of trading activity after the news, both when the news has a sizeable effect on volatility and when this effect is negligible, either because the news in not important or because the announcement is in line with the forecast by analysts. We extend the model by considering non-causal effects, due to the fact that the existence of the news (but not its content) is known by the market before the announcement.
---
中文摘要：
我们提出了外汇市场的霍克斯模型方法，其中高频价格动态受到自激机制和外部因素的影响，外部因素是由预先宣布的宏观经济消息的到来产生的。通过关注新闻发布前后的时间窗口，我们发现该模型能够捕捉到新闻发布后交易活动的增加，无论是当新闻对波动性有相当大的影响时，还是当这种影响可以忽略时，无论是因为新闻不重要，还是因为新闻发布与分析师的预测一致。我们通过考虑非因果效应对模型进行了扩展，因为在公告之前，市场已经知道新闻的存在（但不是其内容）。
---
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：
--> Modeling_FX_market_activity_around_macroeconomic_news:_a_Hawkes_process_approach.pdf (1.46 MB)

2022-5-6 06:12:26 上传

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

分享0 收藏0 回帖

关键词：宏观经济 经济新闻 外汇市场 announcement Quantitative

围绕宏观经济新闻对外汇市场活动进行建模：霍克斯过程方法马切洛·兰巴迪、巴黎·彭内西和法布里齐奥·利洛1、3、4斯库拉普通高等学校、卡瓦列里广场7号、比萨56126号、ItalyeFX定量交易、汇丰银行、加拿大广场8号、伦敦E14 5HQ、英国财政部、巴勒莫德格利研究所、巴勒莫科学院第18版、巴勒莫90128号、，ItalySanta Fe Institute，地址：美国新墨西哥州圣达菲海德公园路1399号，邮编：87501。我们提出了外汇市场的霍克斯模型方法，在这种方法中，高频汇率动态受到自激机制和外部因素的影响，外部因素由预先宣布的宏观经济消息产生。通过关注新闻发布前后的时间窗口，我们发现该模型能够捕捉新闻发布后交易活动的增加，无论是当新闻对波动性有相当大的影响时，还是当这种影响可以忽略时，无论是因为新闻不重要，还是因为新闻发布与分析师的预测一致。我们通过考虑非因果效应对模型进行了扩展，因为事实上，新闻的存在（但不是其内容）在发布前就为市场所知。1.引言复杂系统动力学的特点是内生和外生影响之间的微妙互动。在这方面，金融市场是典范。事实上，资产价格的动态受到外部消息的影响，这些消息修改了资产的离岸价格估值，也受到内生事件（如交易、订单和价格变化）的影响，这些事件是对过去事件的反应[1–3]。自有效市场假说形成以来，在过去半个世纪里，对这两个驱动因素的相对重要性进行了广泛的争论。

越来越多的经验证据表明，市场活动和波动性的很大一部分是由内部产生的交易活动解释的。例如，公共新闻[6,7]只能部分解释价格的大幅波动（跳跃）。由于将霍克斯过程应用于金融数据建模，关于价格动态的内生和外生成分的辩论最近受到了新的推动[8–15]。霍克斯过程[16]最初是在地震学中介绍的，它描述了一个点（计数）过程，其中强度不是恒定的，但取决于计数过程的过去历史，由适当选择的核加权。由于霍克斯过程被自然而然地解释为一个分支过程，就移民基线事件和自由活动而言，可以直接解释内核的积分，即内源性自激导致的活动分数。对股票和未来数据的实证分析表明[4,5,17,18]，根据霍克斯模型，市场活动的很大一部分是在本文中，我们将使用术语市场活动来描述单位时间的价格变化率，不考虑规模，类似于[4,5]中调查的内生成分。市场似乎非常接近一种“临界”状态，在这种状态下，所有的动态都是内生产生的（更多细节见[4,5]）。然而，在某些情况下，外来新闻的到来通常会对贸易活动产生非常大的影响。本文研究的一个例子是宏观经济新闻对外汇市场的影响。这一巨大影响是由于宏观经济新闻（失业率、GDP数据、央行干预等）影响了一国经济的估值，从而影响了该国货币的估值。

此外，这些公告是提前安排的，并受到外汇市场参与者的高度关注。从[6]的开创性工作开始，许多作者研究了外源性新闻对资产价格的影响。在参考文献[19]中，作者分析了道琼斯公司（Dow Jones&Company）每天发布的新闻数量与市场活动（如交易量和市场回报）的综合衡量之间的关系。Avellaneda和Lipkin[20]研究了在相应期权到期日观察到的股票钉扎现象。裁判。[7] [21]探讨了新闻在高频波动和订单动态中的作用。关于新闻影响文献的更广泛调查可在[22]中找到。外汇市场上预定的宏观经济公告的影响一直是几项工作的目标。Ederington和Lee[23]发现，此类公告在很大程度上导致了这些市场中观察到的波动模式。参考文献[24]对德国马克/美元汇率的波动性进行了描述，区分了日内活动模式、宏观经济公告和波动持续性的贡献。最近，Bauwens等人[25]在Arch型模型的框架下，研究了围绕新闻发布的高频欧元/美元数据的波动动力学。这些作品要么关注大时间范围，要么选择离散时间设置。在这篇论文中，我们着重于建模宏观经济新闻发布前后市场活动在物理（连续）时间内的动态演化。我们认为最佳报价的变化率是市场活动的一个重要指标，我们从一个角度出发。

我们最初的主要贡献是外汇市场活动的鹰派模型，其中一个核心描述了宏观新闻对市场活动的（因果和可能非因果）影响。因此，该模型有两个霍克斯核，一个用于内源成分，另一个用于外源成分。我们发现，当没有人引入外源内核时，市场活动的描述显著改善。需要强调的是，到目前为止，金融数据中有关霍克斯过程的大部分工作都考虑了平稳过程。事实上，当存在非平稳性时（例如，日内模式），人们通常会尝试移动它们，例如通过取消数据的季节性。然而，在某些情况下，非平稳性很重要，并带来了人们想要建模的相关经济信息。本文考虑的例子是围绕宏观公告的市场活动。我们的方法展示了如何在HawkesProcess框架中协调新闻公告等非平稳性，该框架已被证明是物理时间内高频市场动态建模的通用工具。论文的结构如下。在第二节中，我们展示了我们的价格和新闻数据集，以及描述新闻的主要变量。在第三节中，我们将展示霍克斯模型如何在只考虑内生因素的情况下描述汇率的动态。第四节介绍了我们的建模方法，其中添加了霍克斯过程的一个新组件，并考虑了宏观新闻的影响。在第五节中，我们提出了模型的一个扩展，其中添加了一个非因果内核，考虑到公告的存在（但不是其内容）是事先已知的。最后，在第七节中，我们给出了一些结论。在附录A中，我们给出了最大对数似然估计的细节。

附录B提供了关于有新外源成分的模型和没有新外源成分的模型之间比较的进一步资料。二、数据我们调查了从2012年1月1日到2012年12月18日的EBS实时数据，共353天，三对货币，即欧元/美元、欧元/日元和美元/日元。数据库的时间分辨率为100m，我们使用ebsMarketReferenceTime作为参考时间。由于时间离散化可能会影响霍克斯过程的估计，就像惯例一样，我们通过从以秒为单位表示的每个时间戳中减去一个随机数来对时间进行随机化，该随机数以（0,0.1）天事件为单位，每个平均报价日（Avg.）持续时间（s）小刻度尺/美元190 58902 0.55欧元/日元190 34857 0.91美元/日元190 24477 1.32大刻度尺/美元60 20229 1.60欧元/日元60 19012 1.70美元/日元60 7244 4.47表一：外汇数据集在伦敦核心交易所的交易时间（07:30-16:30），规模增加前后。事件指投标或投标变更的情况（时间分辨率为100ms）。我们通过考虑最佳报价或最佳报价发生变化的事件来过滤数据。尽管外汇交易每周7天、每天24小时都很活跃，但数据集中记录的周六和周日的活动几乎可以忽略不计，因此我们将其排除在外。这给我们留下了250天的时间。外汇交易活动表现出很强的日内季节性，因此我们决定将我们的工作限制在伦敦核心交易时间（07:3016:30），在那里可以观察到最高的活动。表I显示了三种利率在伦敦核心交易所交易时间内观察到的买入或卖出变化的数量。请注意，我们根据刻度大小将样本一分为二。

事实上，EBS在2012年9月23日增加了一个因子5的刻度大小，从表中可以看出，这一事实将最佳报价变化的数量减少了两到三倍，具体取决于汇率。外汇市场受到宏观公告的强烈影响。在本文中，我们感兴趣的是围绕这些公告建立价格动态模型。在这里，我们特别关注提前发布的公告，如央行利率决定或失业或GDPdata公告。我们从网站www.dailyfx获得了2012年所有经济公告的列表。通用域名格式。新闻数据报告新闻发布的日期和时间、受新闻影响最大的货币、新闻的简要描述、重要性（高、中、低）的估计，以及（如有）预期（预测）和实际价值。预测值是分析师预期的平均值。数据集中并非所有的新闻都涉及一个可以用数字量化的指标的发布。中央银行行长的新闻发布会就是一个例子。由于没有与之关联的数值，因此没有任何预测。由于我们只处理欧元/美元、欧元/日元，因此刻度大小是价格的离散化步骤。和美元/日元汇率，我们只保留与其中一种货币相关的新闻。此外，在这项工作中，我们只考虑被评为中等或高重要性的新闻，所以我们放弃了那些被评为低重要性的新闻。通常，相关指标会同时公布。由于我们关注的是新闻发布前后的影响，所以我们只为每个不同的时间保留最相关的新闻。此次评选后保留的新闻总数为723条。表二列出了按电流和重要性划分的总数。

日元新闻的数量之所以如此之少，是因为我们关注的是伦敦核心交易时间，而大多数日元新闻都是在这个时间间隔之外发布的。中高总计130 293 423欧元107 186 293日元总计238 485 723表二：按重要性分类的影响每种货币的新闻数量。A.活动跳跃和新闻惊喜为了描述新闻，我们引入了两个额外的指标。第一个指标衡量新闻对交易活动的影响程度，第二个指标衡量新闻的意外程度，即预测值和实际值之间的差异。更具体地说，对于每一分钟的间隔，我们计算任何最佳报价的变化次数，并将其与之前的非分钟间隔内相同数量的简单移动平均数（SMAn）进行比较。由于以分钟为单位的事件i不在斯曼（i）的计算中，我们将其视为对区间i预期活动的测量。与价格跳跃检测[7,15]中所做的类似，我们根据SMA确定影响θ是在i观察到的事件数与预期事件数之间的比率，也就是说，θi=NiSMAn（i）（1）我们将把量θi用于两个目的。首先，我们用它来识别市场活动中的“跳跃”，并回答一个问题，即高活动与最近的新闻关联的频率有多高。第二个问题是回答相反的问题，即在amacro新闻之后θi有多大，并根据它们对交易活动的影响对新闻进行分类。第二个指标衡量的是预期值与新闻公布的实际值之间的差异。因此，我们称之为新闻的“惊喜”。为了计算，我们只能考虑给定预测值的新闻。

最后，从723条新闻开始，我们只剩下559条新闻，约占原始样本的77%。对于每一条新闻，我们都有实际值和预测值，分别表示Ia和If。我们使用的惊喜度量是绝对惊喜SABS=|IA-如果|，（2）和相对惊喜-如果|如果×100。（3） 原则上，人们可以区分“好消息”和“坏消息”，即指标是好于预期还是坏于预期。然而，在没有监督的情况下很难做到这一点，因为正增量是好还是坏取决于新闻的类型。因此，我们选择使用差异的绝对值。绝对惊喜和相对惊喜之间的选择并非立竿见影。一方面，事实上，指标涵盖了广泛的价值观，一些是统一的顺序，另一些是以千或百分比给出的，因此最合理的选择似乎是相对令人惊讶的。另一方面，对于以百分比表示的一些指标，例如失业率，即使是一个小的绝对变化也可能是显著的。出于这些原因，我们使用绝对惊喜作为百分比给出的指标，在所有其他情况下使用相对惊喜。在下文中，符号S表示该组合度量。惊喜和θ之间的相关性非常低，散点图非常嘈杂。通过限制中等和高重要性新闻，惊喜和θ之间的斯皮尔曼相关系数为0.34，并且在统计上显著不同于零。这种影响主要来自高度重要的新闻，斯皮尔曼相关系数上升至0.62。图1显示了θ与欧元/美元对中、高重要性新闻的惊喜的散点图。这个关系由P（θ>1 | S）确定，P是θ大于给定惊喜值的一个条件的概率（见图1）。

我们观察到，这种概率在系统上大于1/2，这表明新闻触发了活动的增加，而这种增加取决于新闻的惊喜。对于欧元/美元和欧元/日元，我们获得了一个几乎单调的趋势，而美元/日元呈现出一个更嘈杂的模式。看起来，即使是这个非常简单的惊喜度量，也能捕捉到一些相关信息，它没有考虑每个指标的具体情况。人们可以尝试通过历史标准差对惊喜指标进行标准化来减少这种噪音，从而考虑到每一条新闻惊喜的典型不确定性。然而，这需要更长的时间序列，才能对每种类型的新闻进行足够的观察。0246810214sθ10-11001011021030.55 0.65 0.75 0.85P（θ>1 | S）图1：（在线彩色）。θ相对于我们的新惊喜S（左y轴）测量值的散点图。该图指的是θ的欧元/美元数据。红线（右y轴）是p（θ>1 | S）的估计值。作为参考，当S=0时，该概率为0.73III。外汇市场活动的霍克斯模型在本节中，我们介绍了市场活动的基准模型。它由具有恒定基线强度的霍克斯过程和描述内源性效应的自激机制组成[4,5]。在下一节中，我们还将介绍一个外来的新闻术语。霍克斯过程是描述时间上聚集的事件到达的强大模型。在一维中，他们用λ（t）=u+Zt描述的强度（即每单位时间观察事件的概率）对连续时间内的计数过程建模-∞φ（t）-s） dNs（4）其中dNs=∑ti<sδ（s-ti）是狄拉克度量的混合物，即第i个事件发生的时间。u是恒定的基线强度和核φ（τ）≥ 0描述过去计数对当前强度的影响。