Бул изилдөө жогорку жыштыктагы каржылык маалыматтардан алынган ликвиддүүлүк көрсөткүчтөрүн колдонуп, мүнөттүк баа кыймылынын багытын “Up” же “Down” катары классификациялоону изилдейт. Изилдөөнүн божомолдоо алкагы Refinitiv Tick History ичиндеги Trade and Quote (TAQ) маалыматтарынан мүнөт деңгээлинде түзүлгөн ликвиддүүлүк өзгөрмөлөрүн Логистикалык Регрессия (LR), Колдоо Вектор Машинасы (SVM) жана Random Forest (RF) классификаторлоруна киргизүү катары берген машиналык окутуу ыкмасы болуп саналат. Маалымат 11:00-16:00 аралыгы менен чектелип, 1 мүнөттүк үлгүлөөгө өткөрүлгөн жана булакта ар бир ticker үчүн күнүнө болжол менен 300 байкоо алынганы көрсөтүлгөн. Бардык өзгөчөлүктөр менен билдирилген тактыктар LR үчүн %62,75, SVM үчүн %62,79 жана RF үчүн %60,78; тандалган өзгөчөлүктөр айкалышы менен тиешелүүлүгүнө жараша %54,90, %50,98 жана %62,74 түзөт. Бирок булакта таблица, чаташуу матрицасы жана жыйынтык тексти арасында айрым ички шайкешсиздиктер бар болгондуктан, моделдин артыкчылыгы тууралуу бирдиктүү жана шартсыз өкүм чыгаруу туура эмес.

Авторлордун өзгөчөлүктөрдүн маанилүүлүгүнө байланыштуу түшүндүрмөсүндө Liquidity Ratio, Flow Ratio жана Turnover эң таасирдүү ликвиддүүлүк көрсөткүчтөрүнүн арасында айырмаланып турат. Изилдөө кыска убакыт аралыгындагы багытты божомолдоо ликвиддүүлүктүн көптөгөн өлчөмдөрүнөн пайдалана аларын жактайт; бирок колдонулган акциялардын кимдиги, дата аралыгы, жалпы үлгү көлөмү, класстардын тең салмактуулугу, SVM өзөгү, Random Forest гиперпараметрлери, өзгөчөлүк тандоо алгоритми жана максаттуу энбелгилөөнүн деталдуу эрежеси билдирилбегендиктен, жыйынтыктарды кайра өндүрүү мүмкүнчүлүгү жана ар башка рынокторго жалпылоо чектелүү.

Изилдөө маселеси: ликвиддүүлүктү бир эле сан эмес, көп өлчөмдүү сигнал катары кароо

Каржы рыногунун ликвиддүүлүгү — активди операциялык чыгымды жана баага тийгизген таасирин чектелүү кармоо менен сатып жана сата алуу мүмкүнчүлүгүнө байланышкан көп өлчөмдүү рыноктук өзгөчөлүк. Булак изилдөө ликвиддүүлүктү бир гана spread же тереңдик көрсөткүчүнө кыскартуунун ордуна tightness, depth, resiliency жана trading dynamics сыяктуу ар кандай рыноктук өзгөчөлүктөрдөн алынган көрсөткүчтөрдү биргелешип баалоого таянат. Изилдөөнүн негизги суроосу — бул көптөгөн ликвиддүүлүк көрсөткүчтөрү кыска убакыт аралыгында баа багытын классификациялоо үчүн маанилүү киргизүүлөрдү бере алабы же жокпу.

Изилдөө мурдагы ликвиддүүлүктү кластерлөө жана сейрек окуяларды изилдөөлөргө таянып, жогорку жыштыктагы маалыматтарда ликвиддүүлүк тобокелдигин түшүнүүгө жана баа кыймылдары үчүн божомолдоочу моделдерди иштеп чыгууга багытталат. Адабият бөлүмүндө Brexit сыяктуу макроэкономикалык же саясий соккулардын ликвиддүүлүккө таасири, Zonoid depth функциялары менен сейрек окуяларды аныктоо, жогорку жыштыктагы маалыматтарда ликвиддүүлүктү кластерлөө жана көп өлчөмдүү ликвиддүүлүк анализинин мисалдары талкууланат. Бул адабият алкагы изилдөө түздөн-түз сынаган жаңы геосаясий окуяны билдирбейт; ал ликвиддүүлүк тышкы соккуларга сезимтал жана бир өлчөмдүү эмес рыноктук өзгөчөлүк экенин негиздөө үчүн гана колдонулат.

Ликвиддүүлүк Көрсөткүчтөрү Баа Багытын Божомолдоодо Кантип Колдонулат?

Изилдөөдө ликвиддүүлүк көрсөткүчтөрү ар бир 1 мүнөттүк убакыт тилкеси үчүн TAQ маалыматтарынан алынган көз карандысыз өзгөрмөлөр катары колдонулат; бул өзгөрмөлөр Логистикалык Регрессия, SVM жана Random Forest моделдерине берилип, баа кыймылынын багыты “Up” же “Down” классына ыйгарылат. Булак мүнөт ичиндеги биринчи trade жазуусун жана ошол мүнөттөгү бардык quote жазууларын чогултат; орточо котировка bid жана ask бааларын, ошондой эле котировка көлөмдөрүн эсептейт жана алардан түзүлгөн ликвиддүүлүк көрсөткүчтөрүн классификация киргизүүлөрүнө айлантат.

Маалымат агымы

Колдонулган ликвиддүүлүк өзгөрмөлөрү

Булак моделге берилген көз карандысыз өзгөрмөлөрдү төрт негизги топко бөлүп тизмектейт. Бирок бул метрикалардын математикалык формулалары, эсептөө терезелери же нормалдаштыруу деталдары булакта берилбейт. Ошондуктан төмөнкү түшүндүрмөлөр метрикалардын изилдөөдөгү ролун түшүндүрөт; булакта жок так формулалар кайра түзүлгөн эмес.

“Бардык Өзгөчөлүктөр” менен “Өзгөчөлүктөр Айкалышынын” Айырмасы Эмне?

“Бардык Өзгөчөлүктөр” шарты булакта тизмеленген учурдагы ликвиддүүлүк көрсөткүчтөрүнүн моделде биргелешип колдонулушун; “Өзгөчөлүктөр Айкалышы” шарты болсо классификация катасын азайтат деп күтүлгөн кичирээк ликвиддүүлүк көрсөткүчтөрүнүн ички топтомун колдонууга билдирет. Булак ички топтомду тандоонун максатын түшүндүрөт, бирок кайсы өзгөчөлүк тандоо алгоритми колдонулганын, издөө кандай жүргүзүлгөнүн же ар бир модель үчүн тандалган акыркы өзгөрмөлөр тизмесин текстте деталдуу баяндайт.

Үч классификатор эмне үчүн чогуу сыналат?

Логистикалык Регрессия сызыктуу чечим түзүмүнө негизделген базалык классификатор, SVM класстар ортосунда бөлүүчү чечим чек арасын издеген ыкма, Random Forest болсо көптөгөн чечим дарактарынын биригишинен турган ансамблдик классификатор. Бул аныктамалар изилдөөнүн жыйынтыгы эмес; модель үй-бүлөлөрүнүн функциясын түшүнүүгө багытталган окутуучу түшүндүрмө. Булакта бул моделдердин деталдуу гиперпараметрлери берилбегендиктен кайсы өзөк, регуляризация мааниси, дарактардын саны, максималдуу тереңдик же класстын салмагы колдонулганы белгисиз.

Чаташуу матрицасы кантип окулат?

Булак чаташуу матрицасынын сол үстүңкү уячасын туура божомолдонгон “Up”, оң астыңкы уячасын туура божомолдонгон “Down” кыймылдары катары аныктайт. Оң үстүңкү жана сол астыңкы уячалар туура эмес классификациялар. Булак ошондой эле тактыкты баа багыты боюнча туура божомолдордун пайызы катары аныктайт.

Verianla концептуалдык түшүндүрмөсү: Булактын бул аныктамасы стандарттуу түрдө төмөнкү байланыш менен көрсөтүлүшү мүмкүн: \(\mathrm{Accuracy}=\frac{N_{\mathrm{correct}}}{N_{\mathrm{total}}}\times 100\). Бул теңдеме булак макалада өзүнчө формула катары берилген эмес; ал булакта жазылган тактык аныктамасын математикалык жактан көрүнүктүү кылуу жана таблица ичиндеги шайкештикти баалоо үчүн гана колдонулган.

Изилдөөнүн Ыкмасы жана Жыйынтыктары

Моделди иштеп чыгуу тартиби

Үч модель алгач бардык көз карандысыз өзгөрмөлөр менен окутулат. Андан соң булак классификация катасын азайтууну көздөгөн өзгөчөлүктөрдүн ички топтомун тандоо жүргүзүлгөнүн билдирет. Маалымат %70 окутуу, %15 валидация жана %15 тест болуп бөлүнөт. Бул бөлүштүрүү өзгөчөлүк же модель тандоосу түздөн-түз тест топтомуна негизделишинин алдын алууга багытталган негизги машиналык окутуу тартиби; бирок булак бөлүштүрүү убакыттыкпы же кокустукпу экенин түшүндүрбөйт. Жогорку жыштыктагы каржылык маалыматтарда бул деталь маанилүү, анткени убакыттык маалымат агып кетүү коркунучу моделдин көрсөткүчүн чечмелөөнү өзгөртө алат.

Булакта билдирилген чаташуу матрицалары жана тактыктар

Булак Жыйынтыктарында Эң Жогорку Тактык Кайсы Моделде Көрүнөт?

Булак таблицасында билдирилген сандар негиз катары алынса, эң жогорку жалгыз тактык мааниси бардык өзгөчөлүктөр менен иштеген SVM үчүн %62,79; Random Forest моделинин өзгөчөлүктөр айкалышынын жыйынтыгы %62,74. Ошого карабастан, жыйынтык бөлүмүндө авторлор Random Forest башка моделдерден озуп кеткенин жана эң жогорку тактыкты бергенин айтышат. Бул эки билдирүү бир эле булактын ичинде толук дал келбегендиктен, Verianla макаласы моделдин артыкчылыгын так бекитүүнүн ордуна бул библиографиялык жана сандык шайкешсиздикти ачык сактайт.

Булак ичиндеги шайкештик текшерүүсү

Өзгөчөлүктөрдүн маанилүүлүгү боюнча жыйынтык

Булак Liquidity Ratio, Flow Ratio жана Turnover көрсөткүчтөрү өзгөчөлүктөрдүн маанилүүлүк анализинде туруктуу түрдө алдыга чыкканын билдирет. Бул жыйынтык модель багыт чечимдеринде spread түрүндөгү көрсөткүчтөргө гана эмес, соода агымы жана соода активдүүлүгүнө байланышкан өзгөрмөлөргө да салмак бергенин көрсөтүүчү модель ичиндеги маанилүүлүк жыйынтыгы. Бирок булакта бул үч өзгөрмөнүн так коэффициенттери же маанилүүлүк упайлары тексттик таблицада берилбейт; ошондуктан Verianla сандык маанилүүлүк даражасын чыгарбайт.

Бардык өзгөрмөлөрбү же кыскартылган өзгөчөлүктөр топтомубу?

LR жана SVM үчүн булакта билдирилген тактык бардык ликвиддүүлүк өзгөрмөлөрү колдонулганда жогору: LR %62,75тен %54,90го, SVM %62,79дан %50,98ге төмөндөйт. RFде болсо тескерисинче, тандалган өзгөчөлүктөр айкалышы %60,78ден %62,74кө жогорулайт. Демек булак текстиндеги “кең өзгөчөлүктөр топтому жакшыраак жыйынтык берет” деген түшүндүрмө эки модель тарабынан колдоого алынса да, RF жыйынтыгы бул жалпылоого өзгөчө учур түзөт. Изилдөөнүн этият чечмелөөсү — өзгөчөлүктөрдү азайтуунун таасири модель үй-бүлөсүнө көз каранды көрүнөт жана булакта берилген жалгыз эксперимент тартиби менен бардык моделдер үчүн бир багыттуу жыйынтык чыгарууга болбойт.

Бул Жыйынтыктарды Ар Башка Акцияларга жана Рынок Шарттарына Жалпылоого Болобу?

Булак изилдөө мындай жалпылоону көрсөтпөйт. Авторлор ар башка акция маалымат топтомдорунда окшош тактык жана өзгөчөлүктөрдүн маанилүүлүк үлгүлөрү уланабы-жокпу келечекте текшерүүнү ачык сунушташат; мындан тышкары учурдагы текст колдонулган ticker тизмесин, дата аралыгын, рынок режимдерин жана жалпы үлгү көлөмүн деталдуу бербегендиктен, жыйынтыктар билдирилген маалымат жана эксперимент тартибинин чегинде гана бааланышы керек.

Изилдөө колдогон жыйынтыктар

• TAQ негизиндеги ликвиддүүлүк көрсөткүчтөрү булакта түзүлгөн тест тартибинде мүнөттүк баа багытын классификациялоо үчүн колдонулушу мүмкүн болгон.
• Булакта билдирилген тактык маанилери болжол менен %50,98 менен %62,79 аралыгында.
• LR жана SVMде бардык өзгөчөлүктөр тандалган өзгөчөлүктөр айкалышына караганда жогору билдирилген тактык берген.
• RFде тандалган өзгөчөлүктөр айкалышы бардык өзгөчөлүктөр шартына караганда жогору билдирилген тактык берген.
• Авторлордун өзгөчөлүктөрдүн маанилүүлүгү боюнча түшүндүрмөсүнө ылайык Liquidity Ratio, Flow Ratio жана Turnover өзгөчө айырмаланган киргизүүлөр.

Изилдөө колдобогон жыйынтыктар

• Бул моделдер кирешелүү жандуу соода стратегиясын түзөрүн көрсөтпөйт; операциялык чыгым, slippage, рынок таасири жана таза киреше анализи сунушталган эмес.
• Ликвиддүүлүк көрсөткүчтөрү баа кыймылдарына себептик түрдө алып келерин далилдебейт; изилдөө божомолдоочу классификация алкагы.
• Ар башка акциялар, биржалар, мезгилдер же кризистик режимдер үчүн ошол эле тактыктар алынарын көрсөтпөйт.
• Реалдуу убакыттагы өндүрүш чөйрөсүндө кечигүү, маалыматка жетүү, соода ылдамдыгы же операциялык туруктуулук ийгилигин сынабайт.
• Булакта билдирилбеген гиперпараметрлер жана маалыматты бөлүү деталдары себептүү жыйынтыктарды көз карандысыз түрдө ошол эле формада кайра өндүрүүгө кепилдик бербейт.

Кайра өндүрүү мүмкүнчүлүгү жагынан жетишпеген маалыматтар

Булак жана Ыкма Жөнүндө Эскертүү

Толук оригинал аталышы: High-Frequency Trading Liquidity Analysis | Application of Machine Learning Classification

Авторлор: Sid Bhatia, Sidharth Peri, Sam Friedman, Michelle Malen.

Мекеме: Stevens Institute of Technology. Жүктөлгөн версияда мекеме документ деңгээлинде көрсөтүлгөн, авторлор боюнча өзүнчө аффилиация дал келүүсү берилген эмес.

Документ датасы: 5 Август 2024. arXiv тапшыруу датасы: 19 Август 2024.

Платформа жана класс: arXiv, q-fin.TR — Trading and Market Microstructure. arXiv идентификатору: 2408.10016v1. arXiv/DataCite DOI: 10.48550/arXiv.2408.10016.

Булак түрү жана рецензия абалы: Жүктөлгөн документ arXiv preprint версиясы. Расмий arXiv жазуусунда бул версия үчүн журнал, том, сан же рецензияланган жарыя тууралуу маалымат берилбейт; ошондуктан Verianla тексти изилдөөнү рецензияланган журнал макаласы катары көрсөтпөйт.

Лицензия: arXiv жазуусу CC BY 4.0 лицензиясын көрсөтөт. Кайра колдонууда тиешелүү шилтеме, лицензияга шилтеме жана өзгөртүү жасалган болсо анын көрсөтүлүшү талап кылынат.

Маалымат жана ыкма: Изилдөө Refinitiv Tick History ичиндеги TAQ маалыматтарына негизделет; изилдөө күн тартибинде Limit Order Book маалыматы да айтылат. Анализ 11:00-16:00 аралыгына жана 1 мүнөттүк убакыт чечилишине түшүрүлгөн. Моделдер LR, SVM жана RF; маалымат бөлүштүрүү %70/%15/%15.

Corresponding author, каржылоо, кызыкчылыктардын кагылышы, маалымат жеткиликтүүлүгү жана CRediT салымдары: Жүктөлгөн булакта ачык түрдө билдирилген эмес.

Сүрөттөр: Жүктөлгөн PDFдин 6-13. беттери all-feat-log, all-feat-rf, all-feat-svm, feat-combo-log, feat-combo-rf, feat-combo-svm, feature-import-mdi жана svm-feature-impor аттуу PNG сүрөттөрүнө багыттоо текстин камтыйт; сүрөттөрдүн өзү бул PDF көчүрмөсүнө киргизилген эмес. Ошондуктан булакта текст түрүндө берилбеген так өзгөчөлүк маанилүүлүк коэффициенттери же сүрөт геометриялары Verianla тарабынан ойдон чыгарылган эмес.

Негизги методологиялык чек: Изилдөө баа багытын классификациялоо эксперименти; жандуу сооданын кирешелүүлүгү, себептүүлүк, башка рынокторго жалпылоо же өндүрүш чөйрөсүндөгү көрсөткүч жөнүндө түз далил бербейт.