به عنوان مثال از TAQ ، هنگام برخورد با داده های تجاری ، یک مشکل رایج تعیین اینکه آیا یک تجارت خرید یا فروش بوده است. متداول ترین طبقه بندی کننده الگوریتم Lee-آماده است (استنباط جهت تجارت از داده های Intraday ، 1991). متأسفانه ، این روش نادرست شناخته شده است: لی و راداکریشنا (استنباط رفتار سرمایه گذار: شواهدی از داده های TORQ ، 2000) گزارش می دهند که لی به طور نادرست به طور نادرست 24 ٪ از معاملات را در این گسترش طبقه بندی می کند.

چگونه می توان در مورد گیرنده لی آماده بهبود یافت؟بهترین الگوریتم ها برای طبقه بندی تجارت چیست؟

$ begingroup $ در هر تجارت هم خریدار و هم یک فروشنده وجود دارد. وقتی از خرید یا فروش صحبت می کنید ، منظورتان متجاوز کدام طرف بود؟(نقدینگی حذف شده). در مورد چاپ های داخل صفحه حتی این بسیار مبهم است زیرا شما باید داخلی را در نظر بگیرید و برای مدل های جریان سفارش بپردازید.$ endgroup $

4 پاسخ 4

چند رویکرد برای استفاده از قیمت تجارت و نقل قول ها برای طبقه بندی متجاوز به عنوان "خرید" یا "فروش" وجود دارد. همچنین ، بسیاری از این روش ها از لحاظ تاریخی مجبور به مقابله با جریان داده های بدون هماهنگ شده اند.

طبقه بندی رویکردها

ما تا حد زیادی می توانیم روشهای طبقه بندی تجارت را به چهار نوع تقسیم کنیم:

• تست های تیک ، که توسط Finucane (2000) مورد حمایت قرار گرفته است ، قیمت تجاری را با قیمت تجاری متفاوت قبلی با Upticks (Downticks) مقایسه می کند که شواهدی از خرید (فروش) است.
• تست های میانی ، که توسط لی و Ready (1991) حمایت می شود ، قیمت تجاری را با یک نقطه میانی معاصر (میانگین قیمت پیشنهاد و درخواست) با معاملات بالاتر (در زیر) مقایسه کنید (در زیر) نقطه میانی که به عنوان خریدها (فروش) طبقه بندی می شود و در میانه حل می شودبا تست تیک ؛
• تست های پیشنهاد/سؤال ، که توسط الیس ، میشلی و اوهارا (2000) مورد حمایت قرار گرفته است ، قیمت تجارت را با پیشنهاد معاصر مقایسه کرده و قیمت ها را با معاملات در Ask (BID) که به عنوان خریدها (فروش) طبقه بندی می شوند و سایر معاملات حل می شوند ، و سایر معاملات را حل کنید. با تست تیک ؛وت
• تست های مدل شده ، مورد حمایت Rosenthal (2012) ، تمام آزمایشات فوق را در یک مدل خطی و همچنین حسابداری برای همبستگی و عدم اطمینان در مورد آنچه نقل قول های معاصر در زمان تجارت بوده است ، درج می کند.

روشهای برگشتی

یکی از مسائل مربوط به رویکردهای LR و EMO این است که آنها ممکن است نامشخص باشند: ممکن است تجارت رخ دهد که در پیشنهاد معاصر نباشد یا سؤال کند و حتی ممکن است در نقطه میانی اتفاق بیفتد. هر دو به پیش فرض تست تیک نزدیک می شوند - از آنجا که آنها موظف به طبقه بندی هر تجارت هستند.

Chakrabarty ، LI ، Nguyen و Van Ness (2007) قانون بازگشت به EMO را اصلاح می کنند: آنها از آزمون کنه برای معاملات خارج از گسترش یا در وسط 40 ٪ گسترش استفاده می کنند. قیمت تجارت در کمترین 30 ٪ در داخل گسترش به عنوان معاملات در پیشنهاد (و به همین ترتیب به عنوان فروش طبقه بندی می شود) و قیمت تجارت در بالاترین 30 ٪ به عنوان معاملات در ASK (و طبقه بندی شده به عنوان خرید) رفتار می شود.

Rosenthal (2012) شواهدی را از آزمون تیک ، تست میانی بدون بازگشت ، و تست پیشنهاد/درخواست بدون بازگشت - و همچنین نسخه های عقب مانده از این تست ها می گیرد. علاوه بر این ، اصطلاح آزمون پیشنهاد/سؤال از یک متریک برای نزدیکی به پیشنهاد یا ASK استفاده می کند ، که شبیه به Chakrabarty و همکاران است ، اما در نحوه برخورداری از تجارت خارج از گسترش نامتقارن نیست.

نقل قول های معاصر؟

مشکل دیگری که در بسیاری از این روشها ذکر شده است این است که جریان های تجاری و نقل قول همزمان نیستند: به روزرسانی های نقل قول ممکن است در زمان های مختلف نسبت به زمان انتشار معاملات رخ دهد. به طور معمول ، نقل قول ها در این شرایط به سرعت به روز می شوند در حالی که معاملات با تأخیر منتشر می شوند.

برخی از صرافی ها با گفتن این تأخیر به سازندگان بازار اجازه می دهند تا از آنها محافظت کنند. با این حال ، مقررات به تنهایی مشوق های مختلفی را ارائه می دهد: نقل قول ها همیشه باید به روز باشند و معامله گران برای تجارت در نقل قول های خود برگزار می شوند. در حالی که معاملات باید در یک بازه زمانی کوتاه منتشر شود (اغلب به ترتیب ثانیه ، ابدیت نسبی در بازارهای مدرن).

از چه تأخیر برای استفاده؟

روش LR تأخیر 5 ثانیه ای را از به روزرسانی های نقل قول تا انتشار تجارت فرض می کند. بنابراین ، آنها 5 ثانیه از زمان تجارت به عقب نگاه می کنند.(توجه داشته باشید که این در پایگاه داده هایی که از آنها استفاده می کردند نادرست است زیرا این سوابق فقط وضوح دوم را داشتند.) روش EMO حتی اگر اعتراف کند که داده ها تأخیر دارند ، از تأخیر استفاده نمی کند. Vergote (2005) پیشنهاد می کند از تأخیر 2 ثانیه ای استفاده کند ، در حالی که هنکر و وانگ (2006) تأخیر 1 ثانیه ای را پیشنهاد می کنند.

با استفاده از توزیع تأخیر

روش مدل شده توزیع تأخیر را تخمین می زند و از آن برای تخمین پیشنهاد و سؤال (و از این رو نقطه میانی) همزمان با زمان تجارت استفاده می کند. این توزیع نشان می دهد میانگین تاخیر 5 ثانیه برای سهام NASDAQ و 0. 8 ثانیه برای سهام NYSE ، با انحراف استاندارد 3. 9 ثانیه و 1. 0 ثانیه.

در جستجوی بهترین مسابقه در بین نقل قول ها

رویکردی بدیع که زمان های تاخیر را نادیده می گیرد توسط Jurkatis (2018، سومین مقاله) اتخاذ شده است. این رویکرد روش EMO را تغییر می دهد تا در عوض مظنه های قبلی را پیدا کند که به روزرسانی های آنها به بهترین وجه با معامله مطابقت دارند تا مشخص شود آیا معامله در قیمت پیشنهادی یا درخواستی رخ داده است. این روش همچنین امکان تطابق چندگانه ممکن را فراهم می کند.

داده های بهتر

برخی از بازارها بین داده های معاملات و مظنه ناهمگامی ندارند. به عنوان مثال، داده های CME دارای به روزرسانی های معاملات و کتاب سفارش در یک جریان است. در این داده ها، مظنه ها بلافاصله پس از معامله به روز می شوند و معاملات نشان می دهد که خریدار یا فروشنده متجاوز بوده است.

در حالی که داده های سهام در حال حاضر دارای مُهر زمانی با وضوح میلی ثانیه یا میکروثانیه هستند، بسیاری از مکان های سهام هنوز بین جریان های داده معامله و قیمت ها تاخیر دارند. در حالی که تاخیرها در بازارهای سهام کاهش یافته است، تعداد معاملات نیز افزایش یافته است و مشکل تاخیر همچنان نگران کننده است.

نتایج غیرمعمول برای معاملات فرد

روزنتال خاطرنشان می کند که معاملات لات فرد (معاملات با اندازه کمتر از "لات دور" معمولاً 100 سهم) طبقه بندی معاملات لات دور سخت تر است. معاملات لات فرد در نقطه میانی توسط اکثر روش ها به اشتباه طبقه بندی می شوند تا جایی که «برگرداندن سکه» دقیق تر باشد. این واقعیت که سفارشات لات فرد توسط قوانین کنترل سفارش و نمایش محافظت نمی شدند، به عنوان دلیلی برای تفاوت در دقت طبقه بندی پیشنهاد می شود.

O'Hara، Yao و Ye (2014) خاطرنشان می کنند که سفارشات لات های فرد نیز اغلب در منابع داده مانند TAQ وجود ندارد و این سفارش ها تمایل دارند با معاملات بیشتری بر اساس عدم تقارن اطلاعاتی مرتبط باشند.

در حالی که برخی از مکان ها شروع به انعکاس سفارش های لات فرد در فید داده های خود کرده اند (بنابراین به قوانین رسیدگی به سفارش و نمایش برای سفارش های لات فرد احترام می گذارند)، این هنوز هم جهانی نیست. در حال حاضر، نزدک ممکن است سفارشات لات فرد را جمع آوری کند تا زمانی که تجمیع آنها حداقل یک لات دور باشد.

طبقه بندی حجم انبوه

Easley، Lopez de Prado و O'Hara (2016) پیشنهاد می کنند که در عوض گروه هایی از معاملات را طبقه بندی کنند که از آن به عنوان طبقه بندی حجم عمده یاد می کنند. این رویکرد (و سایر روش های مشابه) با چند مشکل مواجه است.

اول، آنها در حال حل مشکل دیگری هستند که در اینجا مطرح شد. بسیاری از مشکلات مختلف در ریزساختار بازار مستلزم طبقه بندی معاملات فردی به عنوان آغاز شده توسط خریدار یا فروشنده است. طبقه بندی گروهی از معاملات، توزیع آغازگرهای تجارت (خریداران در مقابل فروشندگان) را تخمین می زند، اما معاملات فردی را طبقه بندی نمی کند. این باعث می شود این روش ها برای بسیاری از استنتاج ها مفید نباشند.

دوم، این روش ها نیز به وضوح بر رویکردهای طبقه بندی فردی ذکر شده برتری ندارند. اندرسن و بوندارنکو (2015) و چاکرابارتی، پاسکوال و شکیلکو (2015) نشان می دهند که روش BVC نسبت به آزمون تیک یا روش های LR دقت طبقه بندی پایین تری دارد.

کارایی

در نهایت، این روش ها چگونه عمل می کنند؟در بسیاری از مقالات ارجاع شده، یک الگوی عملکرد ثابت وجود دارد: