订单流对价格影响的线性模型I.传播因子：

影响内核κ不取决于当前事件类型π：只有上一个事件π的类型才重要。该模型的校准更加精细，附录B对此进行了讨论（其中纠正了[18]文本中出现的一些错误和印刷错误）。如上所述，我们可能会问，何时有理由认为π型事件的预期符号是过去有符号事件的线性回归。这需要将上面第2.4节中描述的DAR模型概括为多事件框架。这正是本工作第I部分的目标，我们将MTD作为订单预订活动DAR的自然概括。3.3两类模型的测试与简单传播子模型一样，可以通过比较负滞后Rπ的条件响应函数来测试TIM和HDIM框架的预测能力(-`) =-E[（mt-mt公司-`) ·t |πt=π]，π={NC，C}与经验数据，以及价格过程的特征图D（`）。在下一节中，我们将研究上述模型的估计结果，并将这些预测量与其经验测定值进行比较。简言之，我们的结论是，引入两种类型的事件大大提高了传播子模型的性能，而HDIM的表现可能会比TIM更好，但只是非常轻微。4经验校准4。1数据集描述我们分析了2013年2月至2013年4月期间，纽约证券交易所（NYSE）和纳斯达克证券交易所（NASDAQstock Exchange）50只交易量最大的股票的交易活动，共63个交易日。为了对这两个市场进行深入分析，我们选择了大量不同类型的股票。

我们只考虑了所有分析日9:30-15:30期间的交易活动，以减少日内活动模式，如交易量、平均价差等。特别是，我们尽量避免在预拍卖和交易日结束后的收盘期之后进行交易活动。在调整每个交易日的开始和结束时间后，对于每只股票，我们将不同交易日的数据连接起来，并对这些时间序列进行分析。所有股票的刻度大小为0.01美元。表1列出了所分析股票的详细信息。特别是，我们列出了波动率（单位：基点）、日均交易额（单位：美元）、平均买卖价差（单位：ticks）和平均tick大小价格比，并根据这些值对股票进行了排名。我们可以将样本分为两个不同的组，即大型和小型蜱类股票。大型tick股票的买卖价差在大多数情况下等于一个tick，而小型tick股票的价差通常只有几个tick。我们将在以下章节中强调这两组股票的行为非常不同。在大型和小型蜱虫种群之间的中间区域，也存在许多具有这两种类型特征的种群。在研究期间，苹果公司（Apple Inc.）的股票平均买卖价差为9。14只蜱，显然是一只小蜱类股票。另一方面，平均买卖价差为1.00 ticks的微软公司（Microsoft Inc.）是大型tick股票的理想选择。