流动性共性并不意味着流动性弹性共性：A

相似文件 换一批

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：
《Liquidity commonality does not imply liquidity resilience commonality: A
  functional characterisation for ultra-high frequency cross-sectional LOB data》
---
作者：
Efstathios Panayi, Gareth Peters and Ioannis Kosmidis
---
最新提交年份：
2014
---
英文摘要：
  We present a large-scale study of commonality in liquidity and resilience across assets in an ultra high-frequency (millisecond-timestamped) Limit Order Book (LOB) dataset from a pan-European electronic equity trading facility. We first show that extant work in quantifying liquidity commonality through the degree of explanatory power of the dominant modes of variation of liquidity (extracted through Principal Component Analysis) fails to account for heavy tailed features in the data, thus producing potentially misleading results. We employ Independent Component Analysis, which both decorrelates the liquidity measures in the asset cross-section, but also reduces higher-order statistical dependencies.   To measure commonality in liquidity resilience, we utilise a novel characterisation as the time required for return to a threshold liquidity level. This reflects a dimension of liquidity that is not captured by the majority of liquidity measures and has important ramifications for understanding supply and demand pressures for market makers in electronic exchanges, as well as regulators and HFTs. When the metric is mapped out across a range of thresholds, it produces the daily Liquidity Resilience Profile (LRP) for a given asset. This daily summary of liquidity resilience behaviour from the vast LOB dataset is then amenable to a functional data representation. This enables the comparison of liquidity resilience in the asset cross-section via functional linear sub-space decompositions and functional regression. The functional regression results presented here suggest that market factors for liquidity resilience (as extracted through functional principal components analysis) can explain between 10 and 40% of the variation in liquidity resilience at low liquidity thresholds, but are less explanatory at more extreme levels, where individual asset factors take effect.
---
中文摘要：
我们在一个泛欧洲电子股票交易设施的超高频（毫秒时间戳）限额指令簿（LOB）数据集中对资产流动性和弹性的共性进行了大规模研究。我们首先表明，通过主要流动性变化模式（通过主成分分析提取）的解释力程度来量化流动性共性的现有工作未能解释数据中的重尾特征，从而产生潜在的误导性结果。我们采用独立成分分析法，这既能使资产横截面中的流动性指标去相关，又能减少高阶统计相关性。为了衡量流动性弹性的共性，我们使用了一种新的特征描述，作为恢复到阈值流动性水平所需的时间。这反映了流动性的一个维度，而大多数流动性指标都没有捕捉到这一维度，这对于理解电子交易所中做市商、监管机构和高频交易的供求压力具有重要影响。当指标在一系列阈值上绘制出来时，它会生成给定资产的每日流动性弹性曲线（LRP）。这一来自庞大LOB数据集的流动性弹性行为的每日摘要随后可用于功能数据表示。这使得能够通过功能线性子空间分解和功能回归来比较资产横截面中的流动性弹性。本文给出的功能回归结果表明，流动性弹性的市场因素（通过功能主成分分析提取）可以解释低流动性阈值下流动性弹性10%到40%的变化，但在更极端的水平上解释性较差，其中个别资产因素起作用。
---
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：
--> Liquidity_commonality_does_not_imply_liquidity_resilience_commonality:_A_functio.pdf (1016.43 KB)

2022-5-14 15:26:50 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1 回帖

关键词：流动性 意味着 Presentation Quantitative Econophysics

流动性共性并不意味着流动性共性：超高频横截面LOB数据的功能特征*Gareth Peters+Ioannis Kosmidis2014年6月23日摘要我们在一个泛欧洲电子股票交易设施的超高频（毫秒时间戳）限额订单簿（LOB）数据集中对资产流动性和弹性的共性进行了大规模研究。我们首先表明，通过流动性主要变化模式（通过主成分分析提取）的解释力程度来量化流动性共性的现有工作未能解释数据中的重尾特征，从而产生潜在的误导性结果。我们采用独立成分分析法，这既能使资产横截面中的流动性指标去相关，又能减少更高阶的统计相关性。为了衡量流动性弹性的共性，我们利用[PPDZ14]提出的一种新的特征化方法，对恢复到阈值流动性水平所需的时间进行描述。这反映了流动性的一个维度，大多数流动性指标都没有捕捉到这一维度，对于理解电子交易中的做市商、监管机构和高频交易的供求压力具有重要影响。当指标在一系列阈值上绘制出来时，它会为给定的数据集生成每日流动性弹性（LRP）。然后，这一来自庞大LOB数据集的流动性弹性行为每日总结将适用于功能数据表示。*英国伦敦WC1E 6BT计算机科学系。

通讯作者。电子邮件：efstathios。帕纳伊。10@ucl.uk.+英国伦敦统计局UCL，WC1E 7HB，伦敦——英国伦敦统计局UCL，WC1E 7HB，伦敦这使得可以通过功能线性子空间分解和功能回归来比较资产横截面中的流动性弹性。本文给出的功能回归结果表明，流动性弹性的市场因素（通过功能主成分分析提取）可以解释低流动性阈值下流动性弹性10%到40%的变化，但在更极端的水平上解释性较差，其中个别资产因素起作用。1导言金融计量经济学的一个现代挑战是总结和研究大规模数据集的统计特征，或特征，这些数据来自于超高频率的不均匀间隔观测。概述资产买卖权益的massivedata结构被称为限额订单簿（LOB），挑战是在较长时间内评估大量资产的此类数据结构。在这方面，我们提出了一个全新的视角，来理解大型泛欧电子股权交易所在股权资产空间及其横截面中的流动性。有人认为，市场流动性的波动源于做市商40多年来面临的逆向选择问题[Bag71]。自那时以来，关于单一资产流动性的研究已经形成了丰富的文献，既考察了流动性度量本身的性质，也考察了流动性对资产定价的影响。作为后者的例子，我们提到了[AM86]，他对资产回报利差的影响进行了建模，并找到了“流动性溢价”的证据，即利差越大的资产回报越高。

[Ami02]确认收益-非流动性关系随着时间的推移而存在，但[Con86]在多周期模型中发现的影响较小。自这些早期研究以来，对大量高频限额订单数据的访问使得对市场流动性进行更大规模的研究成为可能。这是金融计量经济学中大数据分析的一个热门方面，提高对资产横截面流动性演化和协同演化的理解，最近已成为股票、[HS01、KLVD12、RSWSZ13、SDS13]、商品和期货[FMZ14、MNV13]以及外汇和债券市场[HJS14]研究的一个焦点问题。这个问题有几个值得关注的方面，包括如何为这些数据集定义和量化流动性的不同方面，以及如何在资产的横截面中测量此类流动性测量的时间通用性。为此，最近的研究集中于通过其他参数时间序列模型、流动性度量的经验估计或两者的组合，总结每项资产随时间变化的大量LOB数据集，例如参见[MNV13]、[FMZ14]和[SDS13]。最近针对一级和二级交易所数据的不同资产的研究表明，对于许多不同的流动性度量，人们可能会观察到流动性的高度共性，或者，正如我们将在本文中展示的，流动性不足的共性。此外，有文件证明，流动性的公共性具有一定程度的时间尺度不变性[RV14]。就股票而言，观察到的共性在市场和行业层面上都很明显[CRS00，HH01]，而[BCP09]也为发达市场和新兴市场提供了证据。

在多个不同交易所中发现的共性程度导致后者评论说，“企业层面的流动性无法在隔离中理解”。人们发现，流动性联动现象普遍存在，尤其是在股市崩盘和债务市场危机期间[HS01]。我们研究路线的动力来自上述文献，其中通过基于投影的分析（例如，通过主成分方法）具体量化共性。[KS08]为股票市场提供了此类研究，而[MRW13]发现外汇流动性具有更大的共性。通常情况下，此类研究涉及在特定时期内获得（或近似，如果无法获得详细的LOB数据）流动性测量，例如一个月内多个资产内部利差的同时测量时间序列。从这些时间序列中，我们可以得到反映整个市场流动性行为主导模式的前几个主成分（PC）。然后，针对整个期间的市场因素（由PCs给出），对单个资产流动性的时间序列观测进行回归。不同资产组回归中确定系数的高值表明其流动性具有共性。我们的第一个贡献是表明，至少在权益领域，通过每个资产流动性度量的样本协方差，可以捕捉流动性共性的所有特征的假设（如PCA回归法）并不总是合适的。特别是，仅使用二阶矩无法捕捉某些资产流动性经验分布中观察到的重尾特征。

仅使用基于二阶矩的PCA方法的结果是，分析由流动性最差的资产驱动，这些资产在横截面数据集中充当异常值。因此，我们执行基于预测的独立成分分析（ICA），该分析通过结合高阶信息来解决这一问题，以评估我们的利差和XLM流动性度量的股票数据的流动性共性。在[Kyl85]中，考虑了构成流动性度量的概念，并在随后关于该主题的文献中采用了确定的三个核心方面。这些方面是紧密性、深度和弹性。上述流动性共性分析（通过量化LOB范围或深度的共性）考虑了前两个概念的共性。流动性的第三个方面与弹性有关，更难解决。

最近，在[PPDZ14]中，基于标准生存回归模型，开发了任何流动性测量的弹性定量度量。作者将TED（阈值超出持续时间）指标定义为流动性偏离特定流动性阈值的持续时间。这样的方法可以获得不同阈值的TED信息，并构建预期TED曲线作为阈值的函数，他们称之为流动性弹性曲线（LRP）。由于LRP提供了关于每项资产LOB流动性补充水平的信息，因此共性分析可以确定我们预计在冲击后迅速恢复到高流动性水平的资产集群。鉴于毫秒环境下的流动性补充主要是高频做市商的领域，LRP也表明特定资产中存在或不存在此类交易员。这与[FKK05]的理论预测一致，FKK05认为，在由不耐烦的交易者主导的市场（那些提交积极的市场指令，而不是被动的指令）中，大幅利差将更为常见。本文以LRP曲线为基础，通过量化两种常见流动性度量（即insidespread和Xetra liquidity Measure（XLM））的流动性弹性的共性，扩展了关于流动性共性的文献。Xetra liquidity Measure（XLM）是一种往返成本类型度量。为了降低流动性弹性数据的高维性，首先通过平滑的函数数据表示法获得特定日期在Chi-X上交易的82只欧洲股票的LRP曲线。然后，可通过LRP曲线的功能性主成分分析（FPCA）获得导致每日流动性阻力变化的市场因素。

我们证明，随着时间的推移，前三个功能性主成分（FPC）的形状具有一致性，然后将个别资产的LRP与这些FPC进行回归，将其解释力解释为给定资产的流动性弹性与市场因素之间的共性度量。对于函数域的连续统，函数线性回归产生函数确定系数。这在我们的分析中是有价值的，因为我们可以确定流动性阈值的范围，特定资产的弹性行为与市场因素具有共性。对于考虑中的股票数据集，我们发现前3个FPC可以解释低流动性阈值下10%到40%的流动性阻力变化。然而，在更极端的流动性过剩阈值下，单个资产流动性过剩行为和市场因素之间的共性显著减弱，单个资产因素也会产生影响。因此，我们在本文中的第二个贡献将现有的流动性共性文献作为一个特例，因为我们研究了市场弹性是否可以解释单个资产的流动性补充行为。我们证明，为了进行此类研究，现在可以每天对一系列资产使用LRP。这一点很重要，因为弹性与流动性冲击后订单的补充率密不可分，因此，它还必须与特定市场中流动性提供者的存在相关联。

因此，识别流动性弹性的共性可以帮助人们了解哪些资产是高频做市策略的重点，以及在什么样的市场条件下。本文结构如下：第2节概述了股票和外汇资产评估中流动性和共性方面的现有文献。第3节量化了过去的发现在我们的数据中的反映程度。第四部分介绍了流动性弹性的概念和本文研究的可能性。第5节介绍了功能数据分析及其对高频、不规则间隔财务数据建模的固有优势，第6节解释了如何从离散TED持续时间数据中获得功能LRP表示。第7节描述了我们如何通过功能主成分分析确定每日LRP曲线的主要变化模式。第8节介绍了功能主成分回归的结果，并对结果进行了解释。第9节结束。2高频数据中的流动性已经提出了许多流动性指标，或近似于这些指标的替代指标，这些指标通常反映了以下一个或多个方面[Kyl85]：1。“短期内扭转仓位的成本”。深度，“在给定金额下改变价格所需的订单流量创新的大小”3。

弹性，即价格从随机的、无信息的冲击中恢复的速度。除了[HJS4]详细讨论的普遍存在的买卖价差及其变体外，流动性/非流动性度量的示例还包括价格影响[BS96]、临时价格影响导致的价格反转（在[Sta03]中研究），以及平均绝对收益与交易量的比率[Ami02]。应注意的是，在许多此类研究中，由于获取高度详细的LOB数据所需的巨大费用，流动性度量是通过近似方法获得的。例如，可以通过[Rol84]的方法，使用价格变化的一阶序列协方差，获得传播的近似值。在衡量通用性时，获得流动性的低频代理（Ami02，Sta03）也很常见，以便将数据减少到可管理的规模。[GHT09]证明了高频流动性基准相对于低频流动性基准的优越性，而[MRW13]则主张使用高质量数据作为衡量流动性决定因素的必要条件。在本文中，我们使用毫秒时间戳数据集获得四个月期间的流动性数据，并且通过LOB的重建，我们不需要依赖流动性度量的近似值。这使我们能够获得非常准确的流动性估计，并就流动性的共性和流动性的共性得出明确的结论。2.1资产横截面中的流动性共性及其含义大多数文献讨论的是单一资产的流动性，因此仅适用于流动性动态中的个别变化。然而，最近，人们对研究一段时间内许多资产流动性的横截面变化产生了浓厚的兴趣。