我们在图8中绘制了DAX和Bund期货的估计矩阵ψ。这两种资产的主要特征是在右下角发现的一组强值,即在与LA/bandCa/b相关的列和行中。我们注意到外部limitevents。这可以理解为元订单的签名。事实上,如果代理想要出售大量合同,他将下一个元订单,即他将通过划分总体成本来优化总体成本,CATB平均值高于限额订单)。同样的描述也可用于理解whyTbLa、Caother销售市场订单Tb。ψ组成部分:THL的患病率+→ L+andL+→ C-要素,即La所述影响的价格变动对应物。最后,我们还注意到,尽管我们在矩阵G中注意到了一些抑制作用,但Bacryet等人(2016)和Rambaldiet等人(2016)中发现的ψ表明,抑制作用主要集中在典型的市场反应时间。在Hawkes过程的分支比表示中,uj∧iψij表示有一个typejas原始祖先的Typeith事件的分数。同样,我们可以估算出TLCselling元订单。2017年6月13日量化金融维护+T-L+L-C+C-Tatblalbcacbcalblatbtac公司-C+L-L+T-电话:+048121620T+T-L+L-C+C-Tatblalbcacbcalblatbtac公司-C+L-L+T-电话:+05101520图8。方程式(6)的ψ矩阵,用NPHC方法估计DAX未来(左)和外滩未来(右),H=500s。由另一个积极顺序生成,如:Pi={T+/-,Ta/b}∧iXj={T+/-,Ta/b}Xi={T+/-,Ta/b}ψijuj.(19)我们发现,对于这两种资产,这一比例约为10%,这意味着绝大多数被动订单和我们发现,对于这两种资产,超过96%的被动订单(LorC)LCmeta订单将是订单簿中大多数交易活动的来源。5.
|