相关金融市场的交叉反应：个股

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：
《Cross-response in correlated financial markets: individual stocks》
---
作者：
Shanshan Wang, Rudi Sch\\\"afer and Thomas Guhr
---
最新提交年份：
2016
---
英文摘要：
  Previous studies of the stock price response to trades focused on the dynamics of single stocks, i.e. they addressed the self-response. We empirically investigate the price response of one stock to the trades of other stocks in a correlated market, i.e. the cross-responses. How large is the impact of one stock on others and vice versa? -- This impact of trades on the price change across stocks appears to be transient instead of permanent as we discuss from the viewpoint of market efficiency. Furthermore, we compare the self-responses on different scales and the self- and cross-responses on the same scale. We also find that the cross-correlation of the trade signs turns out to be a short-memory process.
---
中文摘要：
以前关于股票价格对交易的反应的研究主要集中在单个股票的动力学上，即他们讨论了自我反应。我们实证研究了相关市场中一只股票对其他股票交易的价格反应，即交叉反应。一只股票对其他股票的影响有多大，反之亦然？——正如我们从市场效率的角度讨论的那样，交易对股票价格变化的影响似乎是暂时的，而不是永久的。此外，我们还比较了不同量表上的自我反应以及同一量表上的自我和交叉反应。我们还发现，贸易符号的相互关联是一个短暂的记忆过程。
---
分类信息：

一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--
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：
--> Cross-response_in_correlated_financial_markets:_individual_stocks.pdf (1.23 MB)

2022-5-11 00:11:42 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：金融市场 Quantitative Applications Econophysics Statistical

相关金融市场的交叉反应：个人股票王寒山，*Rudi Sch¨afer，+和Thomas Guhr¨Fakult¨at f¨ur Physik，Universit¨at Duisburg–Essen，Lotharstrasse 1，47048 Duisburg，Germany（日期：2018年10月21日）之前对股票价格对交易的反应的研究主要集中在单个股票的动态上，即他们讨论了自我反应。我们实证研究了相关市场中一只股票对其他股票交易的价格反应，即交叉反应。一只股票对其他股票的影响有多大，反之亦然？-正如我们从市场效率的角度所讨论的，交易对股票价格变化的影响是暂时的，而不是永久的。此外，我们还比较了不同量表上的自我反应和同一量表上的自我反应和交叉反应。我们还发现，贸易符号的相互关联被证明是一个短暂的记忆过程。PACS编号：89.65。生长激素89.75。Fb 05.10。关键词：经济物理学，复杂系统，统计分析。简介证券交易所的交易由订单组织，其主要目的是向所有市场参与者提供相同的信息。尽管在模型构建中经常被发现，但它对价格动态有很大的影响，从而对程式化事实以及更具体的特征有很大的影响[1-9]。股票价格通过连续的双重拍卖[10]来确定，在这种拍卖中，一些交易者提交市场指令，以最佳可行价格进行即时交易，而其他交易者提交限价指令，指定交易的可接受价格。订单簿中列出了限额订单。大多数交易不会立即导致交易。买入限价指令称为出价，卖出限价指令称为要求。最好的要价和出价是报价。市场订单不会出现在订单boo k中。

当市场订单执行时，报价可以保持不变，或者在买入（卖出）市场订单的情况下，最好的买入（买入）价格可以上升（下降）。由于受到市场订单的影响，价格会持续变化。为了弥补ASK和bid之间的价格差异，交易者发出限制指令，将广告变成反持久性的公关。由于持久性和反持久性之间的详细平衡，即超级和次持久性行为之间的平衡，日内规模上的价格会像随机行走一样发生差异[11]。近年来，经验发现订单流量具有高度的自相关性[11–14]。随着时间的延长，订单的拆分带来了对订单流的长记忆[13]，并具有显著的持久性。买入（卖出）订单之后通常会有更多的买入（卖出）订单。此外，交易和价格变化之间的关系也受到了相当多的关注[2,4,11,15–2 1]。有效市场假说（EMH）[22]指出，所有可用信息都是在*姗姗。wang@uni-到期。德鲁迪。schaefer@uni-到期。德托马斯。guhr@uni-到期。下跌的价格，这将排除任何（统计）套利机会。虽然这与不同的时间尺度相冲突，首先是相关的新信息到达，其次是价格变化，但零情报交易（ZIT）[23]的模型只是假设了随机行为的交易者，但也实现了记忆随机行走。鉴于有效市场假说，有两种主要方法可以解释交易对股价变化的影响。Lillo和Farmer（LF）[12]提出的第一种方法表明，价格影响是持久的，但会随订单规模而变化。这种影响是由交易导致的流动性不对称造成的。自我反应在订单规模和价格变化之间表现出幂律关系[12,24-26]。

在第二种方法中，Bouchaud、Gefen、Wyart和Potters（BGPW）[11]认为价格影响是暂时的，但与订单大小有关。影响随时间衰减的事实是价格均值回归的结果。此外，他们将订单规模和价格自我反应之间的关系确定为对数[27]。Gerig[28]认为，LF和B GPW这两种方法是等效的，可以通过交换变量来关联。希尔索认为，这种影响来自不对称的流动性，而不是价格均值回归。有许多研究致力于价格反应，但它们都集中在一只股票上，即自我反应。在这里，我们超越这一点，研究相关性的作用。我们对实时交易数据进行了大规模的实证研究，发现不同股票的价格反应不为零，即交叉反应。我们通过讨论金融市场的效率，阐明了不同股票交易对价格的影响。因此，我们对整个市场的反应给出了第一个完整的观点，并确定了几个结构特征。论文的结构如下。在门派里。二、 我们展示了我们的股票数据集，提供了一些基本定义，并为数据分析介绍了两种可能的时间尺度。我们还测试了商标分类的准确性。在门派里。三、 我们展示了实证结果，这些结果证明了存在贸易信号交叉相关性和价格交叉响应，我们还比较了响应函数的两种可能定义，即在零贸易信号中或不包括零贸易信号。在门派里。第五，我们展示了市场反应结构，并详细讨论了贸易对价格的影响，尤其是从市场效率的角度。在门派里。五、 我们根据两个不同的时间尺度比较自我反应，并比较自我反应和交叉反应。

我们给出了我们的结论。六、 二,。数据说明和时间约定参见第节。我们展示了我们在分析中使用的数据集。在门派里。我们讨论时间约定的正确选择。在门派里。II C，我们测试我们的商标分类的准确性。A.数据集我们的研究基于2008年纳斯达克股票市场的数据。纳斯达克是一家纯电子股票交易所，其交易和报价（TAQ）数据集包含时间、价格和交易量。该信息不仅适用于所有后续交易的交易，也适用于所有后续百思买和卖出限价订单的报价。调查不同昆虫种群的反应。三、 我们从2008年纳斯达克股票市场交易的三个不同经济部门中选择了六家公司。我们分析的股票在表I中列出了它们的首字母缩写和相应的经济部门。在研究Sect中的市场反应时。四、 我们选择了2008年标准普尔500指数各经济部门平均市值最大的前十只股票，但电信服务除外，该年只有九只股票可用。我们认为，市值是交易价格乘以交易量，2008年每一笔交易的平均表现。入选的99只股票在应用程序中列出。A.表I.公司信息公司符号部门苹果公司AAPL信息技术微软公司MSFT信息技术高盛集团GS财务摩根大通JPM财务埃克森美孚公司XOM Energy Chevron公司CVX Energy我们只考虑Stock I和j交易发生的共同交易日，因为一只股票i在一天内的交易不会影响另一只股票j在当天没有任何交易的初始价格，反之亦然。B

物理时间与交易时间虽然对自我反应的研究使用交易时间作为时间轴，但这在研究不同股票的反应时并不有用，因为每个股票都有自己的交易时间。因此，为了研究交叉反应，我们最好使用真实的物理时间。我们将数据集投影到一个离散的时间轴上。每只股票的报价数据和交易数据位于两个单独的文件中，时间戳精度为1秒。但是，在同一秒中可能会记录多个报价或交易。由于时间戳的第二个精度，不可能将每笔交易与直接预先报价匹配。因此，我们不能通过比较交易价格和下降的中点价格来确定交易符号。Lee and Ready[2 9]采用了贸易标志的后一种定义。相反，我们在这里定义的贸易标志类似于霍特豪森、利夫威奇和梅耶斯[30]的勾号规则。如果交易价格高于（低于）之前的价格，他们将交易定义为买方发起（卖方发起）。Zerotick Trades不属于l类。tick规则的准确率为52.8%[30]。在我们的研究中，我们进一步发展了这种方法：由于我们的数据在时间上具有1秒的准确性，我们考虑了1秒长度的连续时间间隔。设t为这样一个区间，N（t）为该区间内的交易数。在此时间间隔内进行的单个交易重新编号n=1，N（t）和相应的价格是（t；N）。

我们将连续交易之间价格变化的符号定义为ε（t；n）=sgnS（t；n）- S（t；n）- 1),如果S（t；n）6=S（t；n）- 1） ，ε（t；n）- 1） 否则。（1） 如果同一交易方向的两次连续交易在最佳报价时没有耗尽所有可用交易量，则两次交易的价格将是最低价。因此，在本例中，我们将贸易符号设置为与上一个美国贸易符号相同。如果在表示为t的区间内有多个交易，我们平均相应的交易符号ε（t）=sgnN（t）Pn=1ε（t；n）！，如果N（t）>0，0，如果N（t）=0，（2），形式上也包括情况N（t）=1。因此，ε（t）=+1意味着大部分交易是由市场指令触发的，而a-2-1（a）经验性理论-2-1（b）-2-110:30:00 10:30:10:30:10:30:30:30 10:30:40 10:50 10:31:00（c）t/sempirical，Eq.（2）经验性，Eq.（3）理论性，Eq.（2）图1。在一分钟内，将经验和理论贸易符号的不同分类与AAPL的实际时间进行比较。（a） 2008年1月7日，签署AAPL各项交易的比较。（b） 2008年1月7日，对AAPL进行每秒的签名比较，六个样本中最差的精确度差异为5%。（c） 2008年6月2日AAPL每秒钟的符号比较。它显示了2%的典型精度差异。值ε（t）=-1表示大部分卖出市场订单。我们得到ε（t）=0，只要交易没有在时间间隔t内发生，或者如果买卖市场订单平衡，即如果符号函数的参数消失，则s gn（0）=0。为了避免隔夜效应和市场开盘和收盘时的任何人工制品，我们只考虑当天纽约当地时间9:40:00至15:50:00的交易。C

交易标志分类的准确性我们通过分析TotalView–ITCH数据集[31]，利用纳斯达克股票市场的AAPL、GS和XOM的日内数据测试交易标志分类的准确性。TotalView–ITCH数据集提供的信息包括买入或卖出类型、订单价格和订单量，每个限价订单都有一个以毫秒为单位的唯一订单ID。有了这个数据集，我们可以识别市场指令的交易方向（买入或卖出），这表明反向交易方向与同时执行的限价指令发生了变化。例如，已执行的订单对应于买方发起的市场订单。根据已执行的有限订单信息，还可以获得市场订单的执行价格和数量。在这里，我们将执行一个限价订单视为一项按时间顺序伴随着市场订单的交易。根据已执行有限订单的类型（买入或卖出）推断出的市场或订单的交易标志被称为经验交易标志，而通过比较连续交易之间的价格获得的交易标志被称为inEq。（1） ，被称为理论贸易符号。尽管TotalView–ITC H数据集间接提供了经验交易迹象，但它并不像TAQ数据集那样方便地提供最佳报价和交易的信息。因此，我们仅使用TotalView–ITCH数据集来测试商标分类的准确性。在TotalView–ITCH数据集中，执行的订单可分为未显示订单和订单簿中显示的限制订单。执行的非显示订单对应于隐藏交易，我们无法在研究中使用隐藏交易来测试贸易标志分类的准确性。已执行的订单对应于买方或卖方发起的交易。

我们将这些交易称为已识别的交易。通过这些确定的交易，我们将理论交易符号ε（t；n）与经验交易符号ε（t；n）进行比较，以验证其准确性。对于给定的交易，我们计算匹配的数量，即经验和理论符号相同的情况的数量。因此，给定交易的交易符号分类准确度定义为匹配数除以识别交易总数。2008年，我们为每只股票随机选择两个交易日。由于交易频率高，每个交易日每只股票的交易量超过1万次。如表二所示，符号的平均准确度见表二。交易标志分类的准确性储存AAPL AAPL GS GS XOM XOM六个样本日期20080107 20080602 20081007 20081210 20080211 20080804（平均值）连续交易的已识别限额订单数量745020 407843 150532 199224 544451 596882已识别交易数量120287 52691 19942 17902 38455 59580匹配数量103635 47748 16668 15454 30478 49921分类的准确性0.86 0.91 0.84 0.86 0.79 0.84 0.85对于带有一秒钟印记的交易，B识别交易标志总数17115 12180 8283 6853 8782 9590 Eq的匹配数。（2） 13956 10636 6801 5784 6516 7777公式（2）的分类精度0.82 0.87 0.82 0.84 0.74 0.81 0.82公式的匹配数。（3） 13256 10302 6715 5690 6446 7603根据公式（2）6000 10515 14218 15512 13719 12866 12138使用公式（3）5343 10186 14051 15426 13571 12731 11885每天的交易时间设置为纽约当地时间9:40:00至15:50:00（总计22200秒）。b不包括ε（t）=0同时出现在三种贸易标志中的情况。六个测试样本的分类率为85%。无花果

1（a）在2008年1月7日的一分钟内比较了AAPL的两种贸易标志。理论贸易符号与经验贸易符号很好地匹配。此外，我们测试每秒的贸易符号ε（t），定义为方程式（2）中一秒钟内贸易数量不平衡的符号。我们使用这个定义计算每秒的理论贸易符号。对于每秒钟的经验性贸易符号，我们用两种方法评估合计贸易符号。我们再次使用EQ。（2） 并使用交易量不平衡的符号[18,25,26]，如ε（t）所示=sgnN（t）Pn=1ε（t；n）v（t；n）！，如果N（t）>0，0，如果N（t）=0，（3），其中v（t；N）是第二个t中第N次交易的交易量。如果交易量不平衡，即符号函数的参数是正（负）值，则ε（t）=+1(-1） 暗示买方（卖方）–在t中启动市场订单。如果它等于零，ε（t）=0表示买入和卖出市场订单的账面余额。此外，ε（t）=0也意味着t中没有任何交易。每个交易日的总交易时间为22200秒。如果标志分类的准确性受到超过零个贸易标志的影响，则三种贸易标志分类中ε（t）=0同时出现的交易时间不包括在内。因此，剩余交易时间用于测试交易符号ε（t）分类的准确性。我们参考剩余交易时间和确认交易时间。如表二所示，每只tes ted股票的确定交易时间超过6000秒。这意味着每一次测试都有超过6000个识别的贸易标志，因为每一秒都有一个贸易标志。每秒钟，我们将理论贸易符号与经验贸易符号进行比较。我们再次计算匹配的数量。