大额交易者活动削弱了限价指令的长期记忆

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：
《Large large-trader activity weakens the long memory of limit order
  markets》
---
作者：
Kevin Primicerio, Damien Challet
---
最新提交年份：
2018
---
英文摘要：
  Using more than 6.7 billions of trades, we explore how the tick-by-tick dynamics of limit order books depends on the aggregate actions of large investment funds on a much larger (quarterly) timescale. In particular, we find that the well-established long memory of market order signs is markedly weaker when large investment funds trade either in a directional way and even weaker when their aggregate participation ratio is large. Conversely, we investigate to what respect a weaker memory of market order signs predicts that an asset is being actively traded by large funds. Theoretical arguments suggest two simple mechanisms that contribute to the observed effect: a larger number of active meta-orders and a modification of the distribution of size of meta-orders. Empirical evidence suggests that the number of active meta-orders is the most important contributor to the loss of market order sign memory.
---
中文摘要：
我们使用了67亿多笔交易，探索了限额指令簿的逐笔动态如何在更大（季度）的时间尺度上取决于大型投资基金的总体行动。特别是，我们发现，当大型投资基金以定向方式进行交易时，市场秩序迹象的长期记忆明显较弱，当其总参与率较大时，这种记忆甚至较弱。相反，我们调查了市场秩序迹象记忆减弱在哪些方面预示着大型基金正在积极交易资产。理论论证表明，两种简单的机制有助于观察到的效应：大量的活动元序和元序大小分布的改变。经验证据表明，活跃元指令的数量是导致市场指令符号记忆丧失的最重要因素。
---
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：
--> Large_large-trader_activity_weakens_the_long_memory_of_limit_order_markets.pdf (584.9 KB)

2022-6-9 20:26:18 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：交易者 Modification Econophysics Quantitative Applications

大型交易商活动削弱了限价订单市场的长期记忆Skevin Primicerio和Damien Challet1，2 Mathématiques et Informatique pour la Complexitéet les systemèmesCentraleSupélec，UniversitéParis Saclay，91190，Gif Sur Yvette，Francencelade Capital SA，EPFL Innovation Park，Building C1015 Lausane，Switzerland23 2018年3月抽象交易量超过67亿，我们探讨了限额指令簿的逐笔动态如何取决于大型投资基金在更大（季度）时间尺度上的总体行动。特别是，我们发现，当大型投资基金以定向方式进行交易时，市场秩序信号的长期记忆明显较弱，当其总参与率较大时，这种记忆甚至较弱。相反，我们调查市场秩序迹象记忆减弱在哪些方面预示着一项资产正被大型基金积极交易。理论论证表明，两种简单的机制有助于观察到的效应：大量的活动元序和元序大小分布的修正。经验证据表明，活跃元指令的数量是导致市场指令符号记忆丧失的最重要因素。1简介金融市场动态之所以复杂，部分原因是时间尺度的多样性。众所周知，两种雷达和波动性反馈回路都具有广泛分布的时间尺度【Lynch和Zumbach，2003年，Lillo，2007年，Zhou等人，2011年，Tumminello等人，2012年，Challet等人，2016年】。因此，研究时间尺度如何相互作用揭示了价格动态的一些基本动力学成分。

例如，历史波动率和已实现波动率之间的对称关系表明，价格动态与时间反转不是对称的【Lynch和Zumbach，2003，Zumbach，2009】，这对现实随机波动率模型施加了强大的约束【Blanc et al.，2017】。对市场订单迹象的长期记忆是通过最严格的统计测试的限额订单账簿的既定程式化事实【Bouchaud等人，2004年，Lillo和Farmer，2004年】。Lillo等人【2005年】提出了一个数学框架，将这些符号的长期记忆与非常大的订单拆分为一系列较小的市场订单的方式联系起来（从而创建了一个元订单），并且如果元订单大小的分布具有类似帕累托的尾部，则能够重现经验劳托相关函数。换句话说，符号自相关函数的形状反映了元序大小的分布。在这里，我们使用了两个几乎最大程度不同时间尺度的大型数据库，即大型投资基金的季度报告和全面的逐笔数据库，这使我们能够调查大型基金对限额订单簿内存属性的影响。我们首先表明，当某一特定资产的大部分资本被大型基金在一个季度内交换时，该资产的市场指令（买入/卖出）的记忆长度明显变弱。反过来，我们测试市场秩序符号记忆最弱的资产是否有可能被大型基金大量交易。最后，我们使用Lillo等人的理论框架。

【2005年】为我们的发现提供一幅连贯的图景。2数据我们的数据集由两个数据库组成：大型投资所有权的季度快照，来自2007-2013年期间相应的FactSet数据库（32份报告），其中包含10845只基金的数据，管理资金超过1亿美元。我们筛选出投资于证券的资金少于10万美元。剩余资金投资于12531种证券。我们重点关注FactSetdatabase中连续记录的2480项资产，这些资产在第一季度出现后，至少有一整年的记录。使用automatedmethods，我们将FactSet和汤森路透Tick历史数据库中的资产进行链接。后者提供限额订单簿的逐项事件历史记录。对于在纳斯达克和每天交易的每项资产，我们提取了所有交易价格以及交易前的最佳买入价和卖出价。最后，我们保持资产交易至少200天，平均每天交易200多笔。剩下8460只股票和超过67亿笔交易。3方法为了将逐笔交易数据与季度资金联系起来，我们在每个数据集中确定合适的数量，并调查它们之间的关系。对于每种资产α，我们计算第n次交易前的中间价格，用mα表示，即最佳买入价和卖出价之间的平均值。然后，我们将资产α的第n个市场顺序的符号定义为α、 n=符号（pα，n- mα，n）。我们放弃了在前一个中间价发生的交易。如上述符号所示，我们将时间定义为自时间序列开始以来的市场订单数量。3.1微观结构：市场订单符号的记忆长度自相关我们定义了几种简单的方法来表征市场订单符号的记忆。除非另有规定，否则所有市场微观结构数量均在整个交易周内测量。

第一个是在{sn}的随机连续子集中测量给定符号的κ连续交易发生的概率。从数学上讲，对于一般的κ，这相当于测量两种情况下的条件事件频率π（sκ）α=P（sn=sn+1=·····=sn+κ=s）（1）∈ {-1, 1}.另一种表征订单符号记忆的方法是滞后τ（市场订单单位）处的市场订单符号自相关，用Cα（τ）表示。过程如果自相关函数Cα的积分发散，则αnHa是长记忆。许多参考文献发现Cα（τ）∝ aτ-b其中b<1，在这种情况下，Cα（τ）的积分是有限的（参见例如Lillo et al.（2005），Toth et al.（2015））（我们省略了a和b的α指数，以避免太重的符号）。对于很长的时间序列，这确实是一个很好的近似值。对于长度的有限时间序列，可以将有效记忆长度定义为滞后τ*α之后，Cα首次达到自相关函数2的噪声级/√N、 即τ*α使得Cα（τ）>2/√Nτ ≤ τ*α. 我们还将考虑比例最大滞后τ*α/N.3.2宏观动态：定向基金活动比率首先，我们引入一个数量，用于衡量给定资产α，季度末q之间所有基金的重新调整的全球所有权定向变化平均值-1和q。我们将其称为定向基金活动比率，并将其定义为rα（q）=Pi[Wiα（q）- Wiα（q- 1） ]Vα（q），（2）式中，Wiα（q）是基金i在季度末对证券α的美元头寸，Vα是证券α在季度末交换的总金额- 1和q。如果rα（t）>0（rα（t）<0），则我们数据库中的大型基金购买（出售）的证券α多于出售（购买）的证券α。

我们将重点讨论rα（q）=rα（q）。0.00.20.40 500 1000 1500 2000 2500Lagτ自相关函数Cα（τ）市场订单符号自相关苹果公司，2014年交易-12-010.010.101 10 100Lagτ自相关函数Cα（τ）市场订单符号自相关苹果公司，2014年交易-12-01图1：具有线性轴标度（左图）和对数对数轴标度（右图）的市场订单符号自相关函数示例。黑色虚线水平线为噪声级2/√N其中，N是市场订单号时间序列的长度。黑色垂直虚线对应于最大滞后τ*. 苹果公司，2014-12-01.0.011.002008 2010 2012 2014年方向交易比率Rα分位数1481216190.010.101.002008 2010年2014年绝对交易比率Sα分位数148121619图2：方向基金活动比率Rα（q）（左图）分位数和绝对基金活动比率Sα（q）（右图）分位数的时间演变。3.3宏观动态：绝对基金活动比率另一个衡量总体基金行为的重要指标是量化投资在绝对值上的变化程度。因此，我们将Sα（q）定义为q端之间投资金额的重新缩放绝对差异- 1和q，即Sα（q）=Pi | Wiα（q）- Wiα（q- 1） | Vα（q）。（3） 这一数量不能解释超过四分之一的资金往返，幸运的是，对于S的最大值，即与当前工作相关的值，这是非常不可能的。

此外，当大型基金往返的相对影响可忽略不计时，S是大型基金参与率的良好近似值。4结果4.1从大型基金行为到微观结构动力学本文的前提是，当大型投资基金的总体行为最为极端时，将逐笔交易的指令簿属性与基金所有权数据库联系起来是最容易的，这对应于Rα或Sα的大值。因此，对于每个季度q，我们通过计算分位数kR将资产划分为20组Rα（q）∈ {1, ···, 19}; 我们对Sα（q）也这样做，得到kS∈ {1, ···, 19}. 我们首先比较这两个量的顶部和底部组的微观结构动力学。按照惯例，最底层组0.250.300.350.402008 2010 2012 2014概率πα(-2） 两次连续卖出交易0.250.300.350.402008 2010 2012 2014概率πα（+2）两次连续买入交易0.000.050.102008 2010 2012 2014概率πα(-10） 十次连续卖出交易0.000.050.102008 2010 2012 2014概率πα（+10）十次连续买入交易图3：π（κ）α的时间演化，观察到κ连续负交易符号（左图）和κ连续正交易符号（右图）的概率，分别为Rα（q）的顶部和底部分位数（橙色和蓝色线）。gX=1对应于X的小值∈ {R，S}，即大型基金平均买卖或交易量不大的证券。图2显示了比率Rα（q）和α（q）的分位数的时间演化。大R分位数与大S分位数明显相关。这应该是意料之中的，因为较大的Rα意味着较大的Sα。专注于由R和S分位数确定的属于顶部和底部组的资产，onenow评估大型基金交易对市场订单符号记忆长度度量的影响。

从由R的分位数确定的两个极端组开始，图3报告了κ=2的相同符号π（sκ）α的κ连续等级的频率，一旦对属于给定组的所有资产进行平均，随着时间的推移，两组资产之间的频率是一致不同的；人们还看到，κ=10的差异比κ=2的差异更大；事实上，它是κ的一种递增功能，至少对于2≤ κ ≤ 如图4所示，当资产按照S的分位数分组时，差异更大。简言之，大型基金的活跃交易降低了同类连续市场指令的发生概率，因此这是市场指令符号记忆减弱的迹象。其他的记忆长度测量也得出了同样的结论。例如，将商标自相关Cα（τ）与τ进行拟合-b对于顶部和底部资产组中的α，对于R或S的分位数，前因子a的值始终较小（图5的顶部曲线图），除了2008-2009年关于R的分位数：在此期间，两组中的a大致相同。π（sκ）α和ais的行为类似：Cα（τ）是{π（sκ）α}κ的函数，前因子a主要与小κ概率π（sκ）α相关。指数b的情况更为微妙，也更为明显（图5的左下图）：大型基金的大型定向交易对b没有明显的影响，除非在危机时期，例如在2008-2009年，R大的资产比R小的资产组的资产小b。2011年的危机也导致了R对b的重大和类似影响；虽然R大的资产a的典型价值大幅下降，但并没有达到R小的资产的价值，这与2008-2009年期间发生的情况相反。绝对活度比一直是a的判别式。

关于b，2008-2009年，S大的资产b也较小（但a大），而在2012-2014年期间，情况正好相反。因此，这些拟合参数提供了0.250.300.350.402008 2010 2012 2014概率πα(-2） 两次连续卖出交易0.250.300.350.402008 2010 2012 2014概率πα（+2）两次连续买入交易0.000.050.102008 2010 2012 2014概率πα(-10） 十次连续卖出交易0.000.050.102008 2010 2012 2014概率πα（+10）十次连续买入交易图4：π（κ）α的时间演化，观察到Sα（q）顶部和底部分位数的κ连续负交易符号（左图）和κ连续正交易符号（右图）的概率（分别为橙色和蓝色线）。大型基金活动影响的动态图片。然而，总体情况是相同的：对于给定数量的交易，平均而言，R和S的顶部和底部分位数之间的a和b的差异有助于缩短Cα（τ）引起的内存长度，因为顶部分位数中的资产在较小的滞后时达到噪声级。图6表明了这一点，图6显示了τ的时间演化*α在Rand S的顶部和底部分位数上取平均值。人们注意到τ*顶部和底部基团的α明显分开，而这不再是和τ的情况*自2012年起为α/N。R或S对τ的影响相反*α和τ*α/N，这是因为具有较大R或S的资产的交易数量N通常较小。4.2大型基金定向和绝对交易检测在实践中，一个更相关的问题是，是否可以从逐笔数据中测量的数量来检测大型投资基金的交易。在本文的上下文中，问题可以重新表述为如何根据a、b、τ的知识猜测给定资产的R或S的哪个分位数*或τ*/N

由于后面的数量是以一周为单位来衡量的，因此我们使用给定季度的平均值进行计算。在这里，我们关注以下简单的分类问题：对于每个季度，我们根据分位数kcut将20组分为两类：属于分位数k的资产≤ K将第一个类别和其余类别合并为另一个类别。选择记忆长度度量作为变量，根据给定季度的资产分类，可以直接计算给定季度的参数化破产管理人经营特征（ROC）曲线及其相关曲线下面积（AUC）。图7报告了与π（s10）、a、b、τ相关的AUC*和τ*/N对于R和S的分位数，在32个季度内取平均值。我们可以看到π（s10）和a大致相等，是区分R和S较大值的最佳变量。更重要的是，它们对S分位数的检测能力并不依赖于kcut。0.40.50.60.72008 2010 2012 2014拟合参数A定向基金活动比率R0.40.50.60.72008 2010 2014拟合参数A绝对基金活动比率S0.50.60.70.80.92008 2010 2012 2014拟合参数B定向基金活动比率R0.50.60.70.82008 2010 2014拟合参数bAbsolute基金活动比率图5：表征市场订单符号自相关的长记忆Cα（τ）=aτb。顶部图：Rα（q）（左图）和Sα（q）（右图）底部和顶部分位数所有成员的平均a演变。