基于流动性的限价订单随机模拟框架

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：
《Stochastic simulation framework for the Limit Order Book using liquidity
  motivated agents》
---
作者：
Efstathios Panayi, Gareth Peters
---
最新提交年份：
2015
---
英文摘要：
  In this paper we develop a new form of agent-based model for limit order books based on heterogeneous trading agents, whose motivations are liquidity driven. These agents are abstractions of real market participants, expressed in a stochastic model framework. We develop an efficient way to perform statistical calibration of the model parameters on Level 2 limit order book data from Chi-X, based on a combination of indirect inference and multi-objective optimisation. We then demonstrate how such an agent-based modelling framework can be of use in testing exchange regulations, as well as informing brokerage decisions and other trading based scenarios.
---
中文摘要：
在本文中，我们开发了一种新形式的基于代理的限价指令簿模型，该模型基于异质交易代理，其动机是流动性驱动的。这些代理是真实市场参与者的抽象，用随机模型框架表示。基于间接推理和多目标优化的结合，我们开发了一种有效的方法，对来自Chi-X的2级限额订单数据执行模型参数的统计校准。然后，我们将展示这样一个基于代理的建模框架如何用于测试交易所监管，以及为经纪决策和其他基于交易的场景提供信息。
---
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
--

---
PDF下载：
--> Stochastic_simulation_framework_for_the_Limit_Order_Book_using_liquidity_motivat.pdf (1.12 MB)

2022-5-12 01:44:56 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：随机模拟 流动性 Participants Quantitative Applications

英国伦敦WC1E 6BT计算机科学系FSTATHIOS PanayiUCL使用流动性驱动的随机模拟限额订单簿框架。帕纳伊。10@ucl.ukGarethW.PetersUCL，英国伦敦WC1E 6BT计算机科学系。peters@ucl.ac.ukJanuary2015年12月20日摘要本文基于异质交易代理，开发了一种新形式的基于代理的限价指令簿模型，其动机是流动性驱动的。这些代理是真实市场参与者的抽象，用随机模型框架表示。我们开发了一种高效的方法，基于直接推理和多目标优化的组合，对来自Chi-X的2级限额订单数据的模型参数进行统计校准。然后，我们将展示这样一个基于代理的建模框架如何用于测试交易所监管，以及为经纪决策和其他基于交易的场景提供信息。1导言在本文中，我们开发了一个模型，用于模拟限额指令簿（LOB）中的交易活动。LOB是市场机制的最常见形式，主要证券交易所使用它来匹配Jain[2003]的股票买卖利益。LOB是一个复杂的、多元的、事件驱动的随机过程，其结果是买卖订单组合成一个多级排队框架，Gould等人[2013]提供了一些主要属性的特征。为了说明这一过程的复杂性，我们只需检查进入这组LOB队列的订单的属性：每个订单都可以根据订单类型、价格和大小（股票数量、合同数量等）进行区分。

就订单类型而言，有限价订单，在执行或取消之前在买方（出价）或卖方（要求）的特定级别输入，也有市场订单，以当前最佳价格执行。在确定队列优先级时，时间顺序也很重要，交易地点通常会给出毫秒或更高分辨率的时间戳。我们的目标是捕捉LOB的普遍特征，这些特征被认为源于过去20年市场结构的变化。例如，高频交易的显著性（根据Hendershott等人[2011]的数据，高频交易占交易数据的绝大多数）被认为是导致LOB中的订单数量在执行前迅速下降的原因。相反，订单经常被取消，并以不同的价格重新提交，要么是为了获得优先权，要么是为了降低逆向选择的风险（被大型交易员“挑选”。这导致不同事件类型（例如，限价订单提交和取消）之间存在依赖关系，这很可能是非线性的，并且可能受到当前市场条件的影响。LOB随机过程可能产生的动态对建模来说是一个挑战，以一种特殊的方式进行建模是一项特别艰巨的任务。Ro,su[2009]讨论了大量匿名交易者互动产生的动力学建模的复杂性，而large[2007]指出，即使仅研究订单补货，也有多个维度需要考虑。

除了交易权益本身，金融交易所的日内交易模型还可以包含许多功能，包括与特定资产交易权益相匹配的交易机制的细节，以及特定条件下管理市场运作的交易所特定规则。LOB建模文献中流行的方法有两种。首先，基于代理的框架，通常涉及大量经济代理在一组有限的代理属性下进行交互。Cristelli等人[2011]根据他们对真实市场参与者行为的解释能力以及可操作性，组织了几个这样的模型，并发现这两个轴非常不一致。例如，Farmer等人[2005]和Maslov[2000]所考虑的代理人行为的简单性，使得他们很难在真实的市场参与者活动方面进行解释。另一方面，Arthur等人[1996]、Chiarella和Iori[2002]等人也曾尝试引入真实市场行为的影响，但其中一些模型存在与经验验证相关的方法学问题，Windrum等人[2007]对此进行了讨论，或者校准不是基于众所周知的基于模拟的估计框架。LOB建模的第二种方法考虑纯随机模型框架，例如Christensen等人[2013]。这种方法将市场参与者从建模过程中抽象出来。取而代之的是采用了惊人的建模方法，将复杂的交易动态提炼成一组统计数据。这些模型可以捕捉构成LOB随机结构的过程的关键经验特性[Cont等人，2010年，Huang和Kercheval，2012年]。

它们还产生了LOB模拟框架，这些框架具有相同的属性，例如Christensen等人[2013]，Daniels等人[2003]。在本文中，我们提出了第三种混合方法，基于从每种方法中选择属性。特别是，我们开发了一种新形式的基于代理的限价订单簿模型，该模型基于流动性激励代理，其中LOB价格和交易量动态是现实市场参与者冲突之间相互作用的涌现特征。在我们的框架中，我们开发了两种类型的此类代理，即流动性提供者（做市商）和流动性需求者，后者形成了算法交易者、噪音交易者、趋势跟踪者和其他类型投机者的风格化代表。它们的活动在随机模型框架中表示，这比典型的简单代理模型更详细。这使我们的模型介于传统的基于代理的模型和纯粹的限价订单随机模型之间。该模型的结构允许在严格的统计估计框架下进行有效校准。我们介绍了一种基于间接推理和多目标优化相结合的新的基于仿真的估计方法。我们将我们的代表性代理随机模型校准为来自Chi-X的2级限额订单数据的真实高频数据。我们展示了如何使用这样的程序来估计模型，从而得到的模拟在多个方面接近真实数据，在我们的例子中是日内价格和交易量过程的行为。我们开发的基于代理的建模方法的一个实际好处是，可以利用它来估计监管干预的效果。

在现代LOB中，有人提议引入监管，以便在高频交易被视为对市场质量有害的情况下，抑制高频交易。在基于随机因素的建模框架下，我们能够评估“报价与交易比率”征收的影响，本文对此进行了讨论。该模型的实证预测表明，在其他条件相同的情况下，实施此类调整足以限制价格过程中的极端日内波动。我们的工作在多个方面为LOB建模领域做出了贡献：首先，我们的模型具有结构组件，这些组件可以直接解释，并且很容易理解市场参与者的行为。与传统的基于代理人的模型相比，我们根据流动性动机进行的划分更能反映当前的市场行为。传统模型将代理人群体划分为与价格基本面有关的要素和与近期价格波动有关的要素。其次，可以捕捉观察到的LOB过程的关键属性，如资产价格演变的动力学、流动性动力学和交易量过程属性。此外，该模型能够在LOB的不同级别上捕获限制订单、市场订单和取消活动强度的依赖性，这在以前的模型中没有考虑到。最后，作为对一般仿真模型校准的贡献，本文为仿真模型提供了一个新的统计估计框架，该框架既严格又高效。论文的其余部分组织如下。第2节概述了基于代理的LOB建模和随机LOB建模文献，这两种文献都是本文的研究来源。第3节给出了我们的随机代表性基于代理的模型的每个组成部分的正式数学描述。

第4节介绍了本文采用的估计程序，以及我们在校准模型时感兴趣的真实数据的特征。第5节介绍了评估复杂度不断增加的模型的各种版本的结果。第6节介绍了在模拟市场中引入报价与交易比率的案例研究。第7节结束。2相关文献2。1 LOB模拟动力学背景：基于代理的模型在金融市场模拟的基于代理的建模文献中，通常将交易人群分为原教旨主义者和图表主义者。早期的研究，如泰勒和艾伦[1992]的研究，对伦敦的一些交易商进行了调查，以描述当时普遍存在的交易行为。这类调查指的是原教旨主义交易者通过对交易资产的经济分析得出自己的观点。在基于代理的模型背景下，原教旨主义者和交易者将他们的经济分析提炼成一个单一的图形，即资产的基本价格，并据此进行交易。另一方面，作为一名图表交易商，需要“在很大程度上目视检查过去价格的基础上提供预测或交易建议，而不考虑任何潜在的经济或基本面分析”。在基于代理的模型中，常见的图表师行为包括根据资产价格与特定时期的移动平均值进行比较做出决策，或者假设在不久的将来某个方向上的短期变动将继续（动量策略）。基于代理的建模中的图表主义和原教旨主义文学始于Frankel和Froot[1988]和Kirman[1993]的作品，然后由Farmer和Joshi[2002]、Westerhoff和Reitz[2003]Youssefmir等人[1998]和Vigfuson[1997]等进一步发展。

作为捕获交易行为异质性的第一步，交易行为的这种区别很重要，并表明在零情报代理类型的方法和完美理性模型之间有一个有用的中间地带可以探索。然而，市场已经发生了变化，参与者的行为也发生了相应的变化。现代市场中交易行为的一个更相关的划分是买卖双方，后者为前者提供流动性。基于代理的LOB活动的最新模型将流动性规定视为区分不同类型代理的一种方式（例如，参见Preis等人[2007]的示例和LeBaron[2006]的相关工作回顾）。一方面，我们有流动性提供者，第2.1节详细介绍了基于代理建模的图表主义和原教旨主义方法。可能有报价义务（即他们是指定的做市商），或者没有报价义务（高频交易者通常是这样）。另一方面，我们有流动性需求者（或流动性交易者），他们的交易需求与模型或价格无关。这些例子包括被动指数基金的基金经理。我们的模型还假设存在这两种类型的代理，但它与大多数ABM不同，因为我们没有明确地为单个代理建模。我们不能声称对任何类型的交易者所采用的策略有确切的了解，而且在任何情况下，由于各种高频交易公司策略的近期性质和复杂性，实施哪怕是此类策略的一小部分都将是一项非常困难的任务。然而，我们预计，来自一类代理的订单流的聚合将更适合于建模。

这为在随机建模框架中考虑这种代理活动提供了动机。2.2 LOB模拟动力学背景：随机（非基于代理）这类随机模型更多地是从统计角度出发，其中市场结构的几个组成部分，以及市场参与者策略的细节，被一组风格化的统计假设抽象出来。目标通常是通过随机模型对LOB过程的特定特征进行建模，例如价格或体积过程。尤其是在对描述市场结构随时间变化的实证研究做出回应时，此类模型被用来帮助在更短的时间间隔内理解股价动态[Cartea and Jaimungal，2013]。就本文中使用的方法而言，几位作者将LOB视为每种价格下的订单队列，并将其视为任何一方（出价和出价），因此，采用队列类型的随机结构来执行LOB模拟。这些例子包括Cont等人[2010]提出的排队系统，以及Cont和De Larrard[2013]提出的更简单的规范。在该模型下，LOB被视为连续时间马尔可夫链，其中所有事件类型（每一级别的限额订单、取消、市场订单）都是相互独立的。他们表明，当一个人从最佳出价或出价移动时，描述极限顺序强度函数的幂律假设与经验观察结果非常吻合。他们还获得了算法交易中可能感兴趣的各种LOB事件的条件概率。在作为LOB模拟器的马尔可夫排队系统的一个重要扩展中，Huang等人[2013]考虑了参考价格（本例中的中间价格）恒定的不均匀间隔内的交易活动。

它们还引入了不同LOB水平的活动之间的一些微不足道的相关性，以解释在第一个LOB水平之外的流动性消耗，当第一个LOB水平没有静止量时。纯粹使用事件过程对模型进行的模拟无法紧密反映真实市场的宏观层面特征，因此需要对前几个层面以外的静息交易量分布进行一些假设。限额订单、市场订单和取消订单的到达过程是最常见的LOB建模方面之一。例如，为了解释交叉股票观察到的价格影响函数的凹性，Smith等人[2003]将买卖双方的限价订单到达率视为独立的泊松过程，并将相对于现有出价和卖价定价的订单。他们的简化涉及pricingon有限的网格、恒定的订单规模和恒定的取消率。然而，后来的模型[Bowsher，2007，Large，2007]观察到交易活动中存在集群，这是LOB的一个特征，无法通过将订单到达建模为独立的泊松过程来捕捉。相反，Bowsher[2007]和Large[2007]提出使用单变量和多变量Hawkes过程，分别解释交易集群和交易后限制订单到达（即订单补充）。最近，Huang等人[2013]还提出了一个简单的马尔科夫排队系统，以捕捉LOB前两个级别流动性消耗的依赖性。https://www.nyse.com/market-model/dmm-case-studiesHasbrouck以及Saar[2013]和Hendershott等人。