订单流数据中的规则性和不规则性

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：
《Regularities and Irregularities in Order Flow Data》
---
作者：
Martin Theissen, Sebastian M. Krause and Thomas Guhr
---
最新提交年份：
2017
---
英文摘要：
  We identify and analyze statistical regularities and irregularities in the recent order flow of different NASDAQ stocks, focusing on the positions where orders are placed in the orderbook. This includes limit orders being placed outside of the spread, inside the spread and (effective) market orders. We find that limit order placement inside the spread is strongly determined by the dynamics of the spread size. Most orders, however, arrive outside of the spread. While for some stocks order placement on or next to the quotes is dominating, deeper price levels are more important for other stocks. As market orders are usually adjusted to the quote volume, the impact of market orders depends on the orderbook structure, which we find to be quite diverse among the analyzed stocks as a result of the way limit order placement takes place.
---
中文摘要：
我们识别并分析不同纳斯达克股票最近订单流中的统计规律性和不规则性，重点关注订单簿中的订单位置。这包括在价差外、价差内和（有效）市场订单下的限额订单。我们发现，价差内的极限订单安排在很大程度上取决于价差大小的动态。然而，大多数订单都是在价差之外到达的。虽然对一些股票而言，报价上或报价旁边的订单安排占主导地位，但对其他股票而言，更深的价格水平更为重要。由于市场订单通常根据报价量进行调整，市场订单的影响取决于订单簿结构，我们发现，由于限额订单安排的方式，在分析的股票中，订单簿结构差异很大。
---
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
--
一级分类：Statistics        统计学
二级分类：Machine Learning        机器学习
分类描述：Covers machine learning papers (supervised, unsupervised, semi-supervised learning, graphical models, reinforcement learning, bandits, high dimensional inference, etc.) with a statistical or theoretical grounding
覆盖机器学习论文（监督，无监督，半监督学习，图形模型，强化学习，强盗，高维推理等）与统计或理论基础
--

---
PDF下载：
--> Regularities_and_Irregularities_in_Order_Flow_Data.pdf (379.13 KB)

2022-5-31 04:22:24 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：不规则 Quantitative Statistical Dimensional Theoretical

订单流数据中的规律性和不规则性德国杜伊斯堡大学杜伊斯堡埃森分校马丁·泰森、塞巴斯蒂安·M·克劳斯和托马斯·古尔物理学院我们识别和分析不同纳斯达克股票最近订单流中的统计规律性和不规则性，重点关注订单在订单簿中的位置。这包括在价差外、价差内和（有效）市场订单下的限制订单。我们发现，价差内的极限订单安排在很大程度上取决于价差大小的动态。然而，大多数订单都是在价差之外到达的。虽然对一些股票来说，报价上或报价旁边的订单安排占主导地位，但更深的价格水平对其他股票更为重要。由于市场订单通常根据报价量进行调整，市场订单的影响取决于订单簿结构，我们发现，由于限额订单安排的方式，在所分析的股票中，订单簿结构差异很大。一、 信息技术的进步总是对股票市场和相关系统产生巨大的影响。它不仅影响交易过程本身，还影响数据的可用性、用于分析的工具以及随后的模型构建。获取订单簿动态的详细订单流量数据对研究人员和从业者非常有用。除了了解金融市场外，长期研究问题还涉及系统性问题，如金融市场（de）监管的有效性[1]，以及高频交易对市场稳定的影响[2-4]。从业者调查交易策略的可行性[4]。

从系统和实际两个角度来看，利用订单流量分析改进基于代理的模型【5–7】是可取的。虽然几十年来价格时间序列的程式化事实已得到证实[8]，但尚未建立关于订单书动态水平的可比知识，供全面审查参考[9]。由于结果的可变性至少在一定程度上是由于市场的非平稳性，因此必须稳步审查经验结果对当代数据的有效性[10]。例如，在2002年的纳斯达克股票中，所有限价指令中的很大一部分都远离报价。相比之下，后来的研究发现了报价的主导作用，并提出了描述限制指令执行序列的队列模型【12】。如果在同一市场的同一时间，不同股票的订单流量存在巨大差异，则这对系统层面的市场描述具有影响。在分析股票相互作用【13–17】时，必须了解不同股票的异质有序流动机制。到目前为止，这方面的研究还不够充分，部分原因可能是市场的运动被集体效应所主导[18]。在这里，我们分析了2016年初96只纳斯达克股票的订单流量数据。我们关注订单在订单簿中的位置，并比较库存的统计规律。我们发现了由单一市场订单引起的各种价差宽度、订单安排措施和价格回报。此外，我们还搜索一组股票，将具有类似行为的股票组合在一起。本研究组织如下：第。II我们描述数据。以秒计。III我们根据数据重建市场订单，并调查进入订单簿的限制订单的价格。

这些价格有助于我们将股票组合成行为相似的群体。调查了这一分组在流动性衡量方面的重要性，如价差大小、报价单上的订单数量以及所有订单中的市场订单份额。我们发现，不同类别股票的单一市场订单所产生的回报率存在显著差异。最后，以秒为单位。我们总结了我们的结果并给出了展望。二、数据我们分析来自美国纳斯达克的历史TotalView数据。我们将数据分组为特定日期每个股票的订单流。例如，20160307 AAPL包括2016年3月7日（周一）在纳斯达克美国的苹果股票订单（股票代码为AAPL）。我们的数据包括2016年3月7日至2016年3月11日的五天。在此期间，在纳斯达克100指数上市的100只股票中[19]，有四只股票在[20]中不可用，因此无法纳入我们的分析。该数据包含有关limitorders被下达、删除、部分取消、部分交易和完全交易的信息。此外，它们还包含有关针对隐藏订单的交易的信息。数据的详细描述见【21】。我们分析了上午10:00至下午3:30（纽约时间）之间的时间数据。这些是纳斯达克的常规交易时间，不包括第一个和最后30分钟。我们忽略了这些，因为市场开盘和收盘时的订单流量动态具有不同的统计特性。所有事件都有以毫秒为单位的时间戳。在同一毫秒内发生的事件具有相同的时间戳，尽管它们可能不会同时发生。由于市场按照订单到达时的相同顺序处理传入订单，因此会保持时间顺序。我们的数据揭示了限额订单、订单动态和交易的几个特征。

然而，这些数据仅显示了交易者在简单限制订单和交易方面的行为的净影响。异国情调的订单种类繁多，因此无法从订单流中完全重建它们【22】。唯一的例外是市场订单。由于它们与我们的研究目标高度相关，因此将从连续的贸易活动中重建这些活动。当然，这只能大致完成。在我们的重建中，我们无法区分真实的市场订单和有效的市场订单，即跨越价差的限制订单。正如其他工作中所报告的那样，这些数据被测试为没有内部矛盾[23，24]。三、 结果秒。III A我们重建市场订单，因为一个市场订单可以触发多个连续交易，而数据中未提供此信息。此外，我们忽视了与隐藏限额订单进行单独交易的市场订单。市场订单在所有订单中的份额是针对不同股票单独计算的，以及类似的衡量限额订单的指标。以秒计。III B我们讨论了价差限制指令的统计规律，并使用它们将股票聚类为具有类似行为的组。我们根据每天的订单数量，测试同一组中的股票在多大程度上也显示出相似的属性。以秒计。III C我们发现，根据价差限额订单对股票进行分组也与价差限额订单相关。最后，以秒为单位。III D，我们分析单一市场订单的影响，再次考虑差价限额订单的分组。A、 市场订单重建和一般统计我们的数据没有明确包括市场订单，因此我们必须根据交易事件重建市场订单。我们的重建改变了[25]的方法。

如果所有可能针对该市场指令进行交易的限制指令都是相同类型的（例如，卖出），我们将子序列交易跟踪到单个市场指令。对于针对hiddenlimit订单的交易，类型未知，因此我们在市场订单重建中包括此类交易，而不区分买卖类型。除此之外，我们要求不同类型的事件不会出现在交易之间，例如限价单到达或取消，部分交易的限价单只能是最后一个事件。最后，我们要求所有贸易活动都必须在固定的时间窗口内进行。根据市场规范[26]，订单“执行时间小于一毫秒”该声明表明，只有当市场订单的第一笔和最后一笔交易之间的时间戳差异最大为一毫秒时，才应考虑交易事件的合并。我们将一个市场订单所增加的交易数量称为“集群规模”。这里讨论的术语（“集群”表示一组交易）与后面章节中讨论的集群无关。0 20 40 60 8010-40.0010.0100.1001集群大小图。1、20160307年AAPL的集群规模分布（合并到一个市场订单的交易数量）。图1显示了20160307年AAPL的集群规模分布。我们发现，58%的市场订单只产生于一次交易。然而，也有多达80多个交易组针对一个市场订单进行交易。我们检查了重建的稳健性，即市场订单第一笔交易和最后一笔交易之间允许的最大时间差异。即使我们将最大时间窗口从一毫秒增加到半秒，市场订单数量也只有微小变化。

与图1中的分布相比，簇大小分布中的相应变化几乎不可见。因此，此处不显示其他最长时间窗口的分布。此外，对于可能由于一个市场订单而考虑的每组N个交易事件，1到N个市场订单之间可能会触发这一系列事件。借助我们的数据，这个问题无法明确解决。然而，正如我们将在问题中看到的那样，考虑到潜在市场订单的数量远小于限额订单插入和删除的数量，我们可以假设随后到达的两个市场订单没有被限额订单放置或删除中断是非常罕见的事件。因此，如果其他约束允许，我们将所有多交易事件聚集到一个市场订单。有些市场订单无法分配给其他购买或出售类型。这种情况发生在专门针对隐藏订单执行的交易中。在未来的研究中，我们不得不驳回这些市场订单。我们计算了一只股票在一天的订单流量的所有市场订单中无方向市场订单的频率，并在所有五天的所有96只股票中重复此操作，得出了480个相对频率。我们发现，无向市场订单在所有市场订单中的比例平均约为12%。散射MOU MO ACT SPRD0.00.20.40.60.8相对频率图。2、所有市场订单（MOU）中的非直接市场订单、所有订单中的市场订单、所有限额订单中的有效限额订单（ACT）和所有限额订单中的价差限额订单（SPRD）的相对频率的框须图。在不同的数据集上，该数量的比例用图中的框须图表示。

左侧2个（MOU）。灰色框中的白色水平线表示上述平均值12%。灰色框表示两个居中的四分位数，因此我们看到一半的数据集中在6.6%到16.1%的范围内。天线到达最大（最小）数据点的距离是四分位数范围加（减）到上（下）四分位数的1.5倍。天线外的其他点对应于异常值：有一些数据集显示，某只股票在某一天的无方向市场订单频率特别高。总之，我们发现，对于大多数数据集，可以从市场订单中提取有意义的信息。被拒绝的无方向市场订单仅占所有市场订单的一小部分。在第二个标有MO的框须图中，我们看到市场订单在所有订单中的相对频率非常小，平均约为3.7%。在这里，我们的数据集的规律性比无向市场订单（MOU）的相对数量强得多。我们检查了订单簿中存储的卷在一天中既没有系统地增加也没有减少。因此，无论是订单量还是限额订单删除，都必须补偿提供流动性的订单数量，即限额订单，远远高于接受流动性的订单数量，即市场订单。我们发现大多数limitorders都已删除。平均而言，每个数据集仅有4.4%的limitorders（至少部分）被交易，参见标有ACT的框须图。这意味着大部分限额订单被删除，而不参与交易过程。交易显然不是从订单簿中清除订单的主要因素。这一点在早期的研究中也是众所周知的。

最终在所有入市订单中被删除的订单的相对频率是明显反映市场非平稳性的数量之一，例如，参见【27】，据报告，2002年巴黎证券交易所只有10%的限额订单被删除（至少部分未执行）。最后，我们感兴趣的是所有限制指令中的扩散限制指令的相对频率。价差限制指令的平均相对频率为8.5%。标有SPRD的框须图显示，与之前讨论的频率相比，数据集中的相对频率变化更强。预计不同数据集中该数量会有差异的最明显原因是价差并不总是允许价差限额订单。我们将在秒后回到这一点。III B.B.价差限额指令我们分析价差限额指令的攻击性，即它们与对方报价的接近程度。因此，我们评估相对价格的分布p=p- pqs，其中PQ表示同一侧报价的价格，s表示价差的大小，两者都是在下达限额订单时。对于卖出和买入限价订单，小的▄p意味着订单的小的积极性，报价只会略微变动。我们计算了所有五天内96只股票的价差相对价格分布。图3（ace）中描述了三种股票的此类分布示例。苹果的分布（AAPL）有一个明显的尖峰，位于▄p=1/2。正如我们将在下文中看到的，这是因为价差最多只打开一个勾号，而这一个勾号是唯一可能的选择，用于放置价差限制订单。不同股票的相对价格分布非常不同。为了找到行为相似的股票组，我们比较了成对股票的相对价格分布。

处理包含尖峰的混合分布的方法是使用累积分布。通过计算两个累积分布之差的所有可能值的最大值，我们得到了Kolmogorov-Smirnov（KS）距离测度。由于这些分布在我们观察的五天内的平稳性，我们可以使用每个股票的平均分布，而不会丢失信息。图4显示了所有库存对的KS距离。股票的排序是通过使用关系k-均值算法（28）对股票进行聚类来完成的，并将KS距离作为输入。关系k均值算法将股票划分为k个簇，这样同一簇中股票之间的距离很小，因此同一簇中的股票是相似的。因此，一对K距离较大的股票很可能被分成不同的集群。借助平均轮廓信息标准0.0 0.2 0.4 0.6 0.8 1.0020406080100相对价格pdf（a）AAPL0.0 0.2 0.4 0.6 0.8 1.0020406080100相对价格pdf（b）CERN0.0 0 0.2 0.4 0.6 0.8 1.0020406080100相对价格pdf（c）GOOG0.0 0 0.2 0.4 0.6 0.8 1.0 1.2 1.40204060801000传播[$]pdf[1/$]（d）AAPL0.0.0 2 0.4 0.6 0.8 1.0 1.2 1.40204060801000排列[$]pdf[1/$]（e）CERN0.0 0.2 0.4 0.6 0.8 1.01.2 1.4020406080100spread[$]pdf[1/$]（f）GOOGFIG。3、不同集群中三个数据集的价差限制指令（abc）和价差限制指令（def）之前的价差大小的相对价格分布。我们选择在20160307日使用数据集AAPL（（ad）、聚类C1）、CERN（（be）、聚类C2）和GOOG（（cf）、聚类C4）。C1C2C3C4C1 C2 C3 C400.20.40.60.8图。4、我们96只股票的顺序相对价格分布的Kolmogorov-Smirnov距离矩阵。