Rise of the Machines? Intraday High-Frequency Trading Patterns of Cryptocurrencies
这项研究分析了加密货币市场的高频数据,涉及与算法交易相关的日内交易模式及其对欧洲加密货币市场的影响。我们研究交易量,如回报,交易量,波动周期,并提供回报相关性的汇总统计CRIX(CRyptocurrency Index),以及各个整体高频市场统计数据的时间方面。我们的研究结果提供了对市场的强制性洞察,在这个市场中,大规模使用自动交易算法和极其快速的交易执行似乎是基于媒体报道的标准。我们对交易模式的日内动量的研究结果为在这个新的数字市场中接近经济价值的可预测性提供了一种新的定量观点。
2020-09-09 q-fin.TR
Optimal trading without optimal control
假设一个风险中性的代理人进行交易以最大化下一次交易的预期利润,只要这个代理人使用向量$p = \nabla V (t, x)$作为有效的微观结构α,这个代理人将近似地表现出长期最优行为,其中V是问题的平滑松弛的贝尔曼值函数。有效微结构α是V的最陡上升方向,等于对偶哈密顿公式中的广义动量。这个简单的逻辑学具有广泛的实际意义;事实上,大多数效用最大化问题,需要通过离散的限制订单簿市场的实施可以处理我们的方法。
2020-12-23 q-fin.ST q-fin.TR
An optimal trading problem in intraday electricity markets
本文研究了日内电力市场中发电商的最优交易问题。其目的是最大限度地减少由电力的随机剩余需求引起的不平衡成本,即客户的消费减去可再生能源的生产。对于一个简单的线性价格冲击模型和一个二次准则,我们明确地获得了近似最优策略在日内市场和火电发电,并展示了一些显着的性质的交易率。此外,我们研究的情况下,当有跳跃的需求预测和日内价格,通常是由于错误的预测风力发电。最后,我们解决了问题时,考虑到火电生产的延迟约束。
2015-01-19 q-fin.TR
Outsider Trading
本文研究日本股票市场的无效率和信息不均等问题。传统的统计套利策略是以市场微观结构、公司发布的信息或分析师报告为基础的,通过仔细分析互联网上公开的信息,传统的统计套利策略的“局外人”仍然可以追求有利可图的交易策略。大量的博客数据被用来证明市场中存在的低效率。建立了一个基于信息的交易策略复制模型来估计信息差异的程度。
2010-03-07 q-fin.TR
Uncertainty relations in models of market microstructure
本文提出了一个新的相互作用粒子系统,并将其作为金融市场微观结构的自旋模型。这个随机过程的渐近分析表现出一个下界的价格和交易量的同期测量下的不变测度在“冻结”阶段的超临界政权。
2005-02-10 math.PR q-fin.TR
Price formation and optimal trading in intraday electricity markets with a major player
我们研究了间歇性可再生能源发电存在下的日内电力市场价格形成。我们认为,设置一个主要生产者可能会与大量的小生产者的战略互动。利用随机控制理论,我们确定了代理商的最佳策略与市场冲击和展示纳什均衡在封闭形式的渐近框架中的平均场游戏与一个主要的球员。这是[Féron,Tankov,and Tinsi,Price formation and optimal trading in the intraday electricity markets,arXiv:2009.04786,2020]的姊妹论文,其中在相同代理人的设置中开发了类似的模型。
2020-11-15 q-fin.PR q-fin.TR
DeepScalper: A Risk-Aware Reinforcement Learning Framework to Capture Fleeting Intraday Trading Opportunities
Nanyang Technological University(南洋理工大学);Huawei Noah Ark Lab(华为诺亚方舟实验室);Webank(微众银行);Tsinghua University(清华大学)
强化学习(RL)技术在许多具有挑战性的定量交易任务中取得了巨大成功,例如投资组合管理和算法交易。特别是,由于金融市场的日内行为反映了数十亿快速波动的资金,日内交易是最有利可图和风险最大的任务之一。然而,绝大多数现有的RL方法集中在相对低频的交易场景(例如,日级别),并未能捕捉稍纵即逝的日内投资机会,由于两个主要的挑战:1)如何有效地训练有利可图的RL代理日内投资决策,这涉及高维细粒度的行动空间; 2)如何学习有意义的多模态市场表示,以了解在tick级别的金融市场的日内行为。受专业人类日内交易者的高效工作流程的启发,我们提出了DeepScalper,这是一个用于日内交易的深度强化学习框架,以应对上述挑战。具体来说,DeepScalper包括四个组件:1)具有动作分支的决斗Q网络,用于处理日内交易的大动作空间,以实现高效的RL优化; 2)具有事后奖励的新型奖励函数,以鼓励RL代理在整个交易日的长期视野下做出交易决策; 3)用于学习多模态时间市场嵌入的编码器-解码器架构,其结合了宏观级和微观级市场信息;(4)风险意识辅助任务,在利润最大化和风险最小化之间保持平衡。通过对六种金融期货三年多的真实市场数据进行广泛的实验,我们证明了DeepScalper在四个金融标准方面的表现明显优于许多最先进的基线。
2022-08-21 cs.AI cs.LG q-fin.TR
Realtime market microstructure analysis: online Transaction Cost Analysis
出于实际的挑战,在监控大量的算法交易订单的性能,本文提供了一种方法,导致自动发现的原因,背后的交易表现不佳。它还为实时交易分析的通用框架提供了理论基础。学术文献提供了不同的方式来形式化这些算法,并显示如何从均值方差,随机控制,脉冲控制或统计学习的观点,他们可以是最佳的。本文是不可知的算法已经建成的方式,并提供了一个理论形式主义,以确定在实时的市场条件,影响其效率或效率低下。对于一组给定的特征描述的市场背景下,由从业者选择,我们首先展示了如何一组额外的派生的解释性因素,称为异常检测器,可以创建每个市价订单。然后,我们将提出一种在线方法来量化这个扩展的因素集,在任何给定的时间,预测哪些订单表现不佳,同时计算这个解释性因素集的预测能力。有了这些信息,我们称之为影响力分析,我们打算授权订单监控用户对任何受影响的订单采取适当的行动,通过新的参数重新校准交易算法,暂停其执行或接管更直接的交易控制。我们也打算使用这种方法在交易后的分析算法可以利用自动调整自己的交易行为。
2013-03-01 cs.IT math.IT math.ST
The microstructure of high frequency markets
我们提出了一种新的方法来描述的微观结构的高频交易使用两个关键要素。首先,我们引入了一个新的概念,知情交易者,我们鲜明对比,目前知情交易者模型。我们描述的确切性质的“优越的信息”高频交易者有机会,以及如何这些代理商不同,从更标准的“内幕交易者”在过去的文件中描述。然后,这导致了一个模型和实证分析的数据,有力地支持我们的主张。第二个关键要素是对限价订单簿上的清算条件的严格描述,以及如何为这样的市场推导出正确的公式。从理论的角度来看,这使得能够准确地确定市场中的两种摩擦,其中之一与我们的“优越信息”概念密切相关。根据经验,我们发现,忽略这些摩擦可能会歪曲市场上交换的财富的50%。最后,我们展示了我们的方法的两个应用程序:我们衡量的利润,高频交易商在纳斯达克和重新访问标准的布莱克-斯科尔斯模型,以确定如何贸易摩擦改变三角洲对冲策略。
2017-09-06 q-fin.TR
High-frequency intraday trading for battery storages
ETH Zurich(苏黎世联邦理工学院);Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);University of Luxembourg(卢森堡大学);University of Bamberg(班贝格大学)
该研究针对电网级电池储能系统,提出一种高效高频的滚动内在交易策略,通过快速动态规划近似求解,在德国日内电力市场回测显示其收益显著高于低频策略,且可提升样本外收益。
2026-08-03 cs.SY eess.SY math.OC
Price formation and optimal trading in intraday electricity markets
我们开发了一个易于处理的均衡模型,在间歇性可再生能源发电的存在下,在日内电力市场的价格形成。利用随机控制理论,我们确定了代理商的最优策略与市场冲击和展示纳什均衡在封闭形式的有限数量的代理商,以及在平均场博弈的渐近框架。我们的模型再现了日内市场价格的经验特征,例如在交割日临近时价格波动性增加以及价格与可再生进料预测之间的相关性,并将这些特征与流动性,代理商数量和不平衡惩罚等市场特征联系起来。
2021-06-30 q-fin.PR q-fin.TR
Dynamical Trading Mechanism in Limit Order Markets
这项工作的目的是了解动态的限价订单簿在订单驱动市场。我们试图说明一个动态的交易机制附加到限价订单市场的微观结构。我们捕捉到交易过程的迭代性质,这对买卖对的动态和不同交易者类型及其订单之间的切换规律至关重要。在介绍了原子交易机制之后,我们从组合和随机两个方面研究了一般的迭代交易过程,并给出了动态交易系统稳定性的一些结果。我们还研究了在迭代交易系统中的价差和中间价的受控动态,当它们的运动,从买卖对的动态产生的,被假定为限制在一些非常小的范围内。
2013-03-13 q-fin.TR
Ensemble properties of high frequency data and intraday trading rules
将标普500指数高频收益的日内序列看作是给定随机过程的每日实现,首先证明了聚合收益分布的标度性质可以用来定义一个鞅随机模型,该模型在每个交易日的上午一致地复制标普500指数高频数据的条件期望.然后,上述缩放特性的更一般的公式允许将模型扩展到下午的交易时段。最后,我们概述了一个应用程序中,条件预测是用来实现趋势跟踪交易策略能够利用线性相关性存在于标准普尔数据集和缺席的模型。交易信号是基于模型的,而不是来自图表标准。样本内和样本外检验表明,基于模型的交易策略比建立在非对称Gestival过程上的基准策略表现更好,并显示存在小的套利机会。我们注意到,在线性相关性的情况下,交易利润将消失,并讨论了为什么交易策略是潜在的兴趣,以对冲波动风险的标准普尔指数为基础的产品。
2013-07-15 cond-mat.stat-mech q-fin.TR
Optimal Order Execution in Intraday Markets: Minimizing Costs in Trade Trajectories
最优执行,即,多年来,确定在连续交易时段中交易量的最具成本效益的方式一直是股票交易界感兴趣的话题。电力日内交易缓慢地遵循这一趋势,但远未得到充分研究。根本问题是一个非常复杂的问题。能源交易商、生产商和电力批发公司从客户企业、可再生能源生产或工厂停电接收各种头寸更新,并需要在日内市场交易这些头寸。他们有各种各样的选择,当谈到位置大小或时间。是不是一次性交易所有金额更好?他们应该把订单分成更小的部分吗?本文以德国连续小时日内市场为例,推导出适合电力交易的模型。我们展示了样本外研究的结果,并区分了简单的基准模型和我们更精细的优化方法,该方法考虑了订单簿深度、交货时间和不同的交易制度,如XBID(跨境日内项目)交易。我们的论文具有高度相关性,因为它有助于进一步深入了解连续日内市场中算法执行的学术讨论,并为从业者提供指导。我们的初步结果表明,最优执行策略有相当大的货币影响。
2020-10-03 q-fin.PM q-fin.TR
Short-term Market Reaction after Trading Halts in Chinese Stock Market
本文利用上海证券交易所的高频数据,研究了停牌后绝对收益率、交易量和买卖价差的动态变化。我们处理了2009年8月至2011年8月期间上海证券交易所203只股票的全部三种停牌类型,即盘中停牌、单日停牌和跨日停牌。我们发现,绝对收益率,交易量,并在买卖价差的情况下,在盘中暂停具有相同的模式与一个尖锐的峰值和幂律松弛之后。而对于不同类型的停牌,其峰值高度和松弛指数是不同的。从停牌原因或停牌持续时间的角度来看,跨日停牌后绝对收益率的松弛指数均大于日内停牌和单日停牌后的绝对收益率松弛指数,说明跨日停牌最有效。从价格走势来看,在停牌和停牌一天的情况下,正事件的超额绝对收益和超额交易量的松弛指数均大于负事件的松弛指数,说明正事件对停牌和停牌一天的影响大于负事件。相反,负面事件比正面事件更有效。
2014-06-23 q-fin.ST q-fin.TR
Optimal Execution in Intraday Energy Markets under Hawkes Processes with Transient Impact
Korteweg-de Vries Institute for Mathematics and Informatics Institute, University of Amsterdam(阿姆斯特丹大学科特韦格-德弗里斯数学与信息学研究所)
本文提出了一种基于Hawkes过程和暂态价格影响模型的日内能源市场最优执行策略,通过回测验证该策略在降低交易成本方面优于传统基准方法。
2025-11-25 q-fin.TR
ClusterLOB: Enhancing Trading Strategies by Clustering Orders in Limit Order Books
ClusterLOB 通过对逐笔订单数据中的市场事件进行特征增强和 K-means++ 聚类,将参与者分为方向性、机会主义和做市三类,并利用各簇订单流不平衡信号构建出优于基准的交易策略。
2025-05-10 q-fin.TR
Optimum Liquidation Problem Associated with the Poisson Cluster Process
在本研究中,我们发展了一个交易策略,以解决在非流动性市场中,具有不同市场微观结构的大额订单交易的离散时间最佳变现问题。在这个框架下,订单流可以被看作是一个具有随机强度的点过程。我们将价格影响建模为自激动态过程的线性函数。我们制定的清算问题作为一个离散时间马尔可夫决策过程,其中的状态过程是一个分段确定性马尔可夫过程(PSTO)。数值结果表明,最优交易策略依赖于市场微观结构的特征。当没有高于一定值的订单时,最优解在限价订单簿的较低级别中接受报价,以防止订单未完成并面临最终库存成本。
2015-12-25 q-fin.CP q-fin.MF q-fin.TR
Effective Trade Execution
本文探讨了算法交易在现代金融市场中的作用。此外,在高频交易技术的大发展所提供的镜头下,描述了算法交易的订单类型、特征和特殊功能。特殊的订单类型一起检查与一个直观的描述隐含的动态的订单簿条件,以特殊的订单(冰山和隐藏)。本章分析了与交易活动相关的交易成本,并研究了市场上最常见的交易策略。同时,本文还通过对有效交易边界的描述,研究了最优执行策略。这些概念代表了理解金融市场最新创新和微观结构研究最新进展所需的工具。
2012-06-22 q-fin.PM q-fin.TR
Optimal Trading of Microstructure Mean Reversion
针对秒级中间价均值回归特性,构建订单簿模型推导最优交易策略,得出最优阈值与利润率公式,证明等待的期权价值是利润来源。
2026-08-04 q-fin.MF q-fin.TR
Comparing the market microstructure between two South African exchanges
我们考虑在两个南非股票交易所上市:约翰内斯堡证券交易所(JSE)和A2 X交易所。A2 X是一个替代交易所,在南非的金融市场生态系统内提供共享上市和新上市。从科学的角度来看,它提供了在类似的监管和经济环境下比较交易类似股票的市场的机会,但流动性,成本和商业模式截然不同。与JSE相比,A2 X目前具有竞争力的结算和交易定价,但JSE具有更深的流动性。为了从实证上理解这些差异与其各自的价格反应动态之间的关系,我们比较了不同时间尺度上收益率的分布和自相关性;比较了价格影响和主曲线;比较了每个交易所的交易成本。这使我们能够从经验上比较这两个市场。我们发现,随着测量或采样时间尺度的增加,各种风格化的事实变得相似。然而,相同的证券可以有非常不同的价格反应,无论时间尺度。考虑到不同的流动性和订单弹性,这并不奇怪。在这里,我们表明,直接成本占主导地位的交易成本,竞争定位成本上限的重要性。通用性对于能够有意义地比较跨交易所价格反应至关重要,但在A2 X的情况下,由于交易所的婴儿期,它尚未以有意义的方式出现-使有意义的比较变得困难。
2020-11-09 q-fin.ST q-fin.TR
Optimal trading policies for wind energy producer
我们研究了风能生产商的最优交易策略,该生产商的目标是在开放的远期、现货、盘中和调整市场上出售未来的产量,并且可以获得未来产量的不完美动态更新预测。我们构建了一个随机模型的预测演变,并确定最佳的交易政策,动态更新新的预测信息变得可用。我们的研究结果可以量化风力发电厂的预期未来收益,并确定预测的经济价值。
2016-09-07 q-fin.TR
ViperQ: Order Flow Pattern Recognition via Auction Market Theory for Reinforcement Learning Trading
University of Colorado, Colorado Springs(科罗拉多大学斯普林斯分校);University of Iowa(爱荷华大学)
ViperQ利用拍卖市场理论特征构建强化学习交易状态表示,在真实机构数据上实现TSLA和NVDA的高回报,验证了微观结构模式在顺序决策中的有效性。
2026-09-15 cs.AI q-fin.TR
Market Microstructure of Non Fungible Tokens
不可替代代币(NFT)行业近年来已经见证了数百万美元的交易。随着技术、创新和去中心化对NFT市场环境的快速创新,越来越难以区分真正的NFT与时尚和骗局。本文讨论了非金融交易的市场微观结构,重点是价格形成、市场结构、透明度以及对其他金融领域的应用。本文还研究了在虚售模式背景下非资金转移市场的市场操纵行为。文章最后提供了投资者可以采取的尽职调查活动的指针,以减轻NFT交易风险。
2021-10-08 cs.CR econ.GN q-fin.EC
Simulating and analyzing a sparse order book: an application to intraday electricity markets
针对非流动性市场传统限价订单簿模型的不足,提出基于非齐次Poisson过程的稀疏LOB模拟分析模型,应用于欧洲日内电力市场揭示其微观结构特性,为市场参与者提供参考,也可推广至其他非流动性市场。
2024-10-09 q-fin.CP q-fin.TR
A Mean Field Game of Portfolio Trading and Its Consequences On Perceived Correlations
本文超越了Pierre Cardaliaguet和Charles-Albert Lehalle在[Cardaliaguet,P. and Lehalle,C.-一、控制的平均场博弈和对交易拥挤的应用,数学和金融经济学(2018)。它首先将其扩展到相关工具的投资组合。这导致了几个原始的贡献:首先,对冲策略自然源于最佳的清算计划的投资组合。其次,我们展示了交易流量对日内波动率和相关性的天真估计的影响。专注于这一重要的关系,我们展示了一个封闭的形式公式表示相关性的标准估计作为一个函数的相关性和初始的不平衡的大单,通过我们的平均场游戏的最佳流量之间的交易者。为了支持我们的理论发现,我们使用了2014年1月至12月的176只美国股票的真实数据集,每5分钟采样一次,以分析每日流量对观察到的相关性的影响。最后,我们提出了一种基于玩具模型的方法来校准我们的MFG模型的数据。
2019-01-31 math.OC q-fin.TR
Cross-Sectional Variation of Intraday Liquidity, Cross-Impact, and their Effect on Portfolio Execution
自然流动性的构成一直在随着时间的推移而变化。对标准普尔500指数成分股日内成交量的分析表明,(i)成交量意外,即,偏离他们各自的预测,在股票之间是相关的,以及(ii)这种相关性在交易时段的最后几个小时内增加。这些观察结果部分可归因于ETF、被动及系统性投资策略增长中隐含的投资组合交易活动的普遍性;以及接近交易时段结束时此类策略的交易强度增加,例如,由于共同基金的流入/流出以每天的收盘价为基准。在本文中,我们调查的后果,这种投资组合的流动性对价格的影响和投资组合的执行。我们从一个程式化的模型中得出了一个线性的跨资产市场冲击,该模型明确地捕捉了这样一个事实,即一定比例的自然流动性提供者只在他们选择执行时交易股票组合。我们发现,由于交叉影响和其日内变化,这是最佳的风险中性,成本最小化清算人执行组合的订单在耦合的方式,而不是一个可分离的VWAP样的执行,通常假设。最佳时间表将各种订单的执行结合在一起,以便能够在一天结束时利用增加的投资组合流动性。最坏情况下的分析表明,潜在的成本降低,从这个优化的执行时间表在分离的方法可以高达6%的合理模型参数。最后,我们讨论了如何估计横截面的价格影响,如果一个人有一个数据集的已实现的投资组合交易记录,利用低秩结构的系数矩阵建议我们的分析。
2018-11-13 q-fin.TR
Stock market microstructure inference via multi-agent reinforcement learning
量化金融有着悠久的传统,即通过多智能体系统(MAS)对复杂系统进行自下而上的推理。这些统计工具基于通过集中式订单簿对代理交易进行建模,以模拟复杂多样的市场现象。这些过去的金融模型都依赖于所谓的零智能代理,因此代理信息和学习的关键问题,价格形成的核心,因此所有的市场活动,不能得到适当的评估。为了解决这个问题,我们设计了下一代MAS股票市场模拟器,其中每个代理通过无模型强化学习学习自主交易。我们校准模型,以真实的市场数据从伦敦证券交易所多年来$2007$到$2018$,并表明它可以忠实地再现关键的市场微观结构指标,如各种价格自相关标量在多个时间间隔。因此,智能体学习使得微观结构的模型仿真具有更大的真实性。
2019-10-17 q-fin.CP q-fin.PR q-fin.TR
Proof of Stake economy under centralized exchanges--a mean field model
Columbia University(哥伦比亚大学)
本文通过连续时间平均场模型,研究中心化交易所交易活动对PoS区块链的质押行为、代币分配和去中心化的影响,发现中心化交易可能增强质押参与并促进去中心化。
2026-10-14 math.OC q-fin.MF q-fin.TR
SoK: Market Microstructure for Decentralized Prediction Markets (DePMs)
Concordia University(康考迪亚大学)
本文通过回顾去中心化预测市场(DePMs)的历史和设计,分析了其模块化工作流程及各模块的设计变体,探讨了去中心化、表达性和抗操纵之间的权衡,并指出了研究中的开放问题。
2026-07-10 cs.CE cs.CR q-fin.TR
Explainable Patterns in Cryptocurrency Microstructure
University of Warsaw, Faculty of Economic Sciences(华沙大学经济科学学院)
本文研究了加密货币微观结构中的稳定跨资产模式,通过CatBoost模型验证了特征重要性稳定性,并揭示了算法交易的系统性风险。
2026-01-31 q-fin.CP q-fin.ST q-fin.TR
Endogeneous Dynamics of Intraday Liquidity
本文在五分钟时间尺度上考察了世界各地股票市场的四个流动性变量所包含的内生信息:交易量、买卖价差、波动率和买卖盘交易量。在格兰杰因果关系的精神下,我们通过线性自回归模型的准确性来衡量信息的水平。本实证研究是在来自四个不同市场(美国,英国,日本和香港)的300多只股票的数据集上进行的,时间超过五年。我们讨论了自回归(AR)模型对变量平稳化版本的表现,重点是解释股票之间观察到的差异。由于实证研究往往在这个时间尺度上进行,我们认为,这是至关重要的文件在一个简单的框架内,没有额外的补充信息的内生动力。因此,我们的研究可以作为一个基准,以确定外源性影响。另一方面,大多数最优交易框架(如著名的Almgren和Chriss)专注于计算接近我们考虑的频率的最优交易速度。这样的框架通常采用i.i.d.流动性变量的假设;本文记录了真实数据中出现的自相关性,为最佳交易的新发展打开了大门。
2018-11-09 q-fin.TR
Can Agent-Based Models Probe Market Microstructure?
我们扩展先前的证据表明,天真地使用日内代理为基础的模型,涉及现实的订单匹配过程建模连续时间双向拍卖市场似乎无法提供一个强大的数据和许多模型参数之间的联系,即使这些模型能够重现一些著名的程式化的事实回报时间序列。我们证明,虽然植根于市场微观结构的日内代理模型的参数可以有意义地校准,那些专门与代理行为和激励仍然存在问题。这可能只是一个失败的校准技术,但我们认为,所观察到的参数退化是最有可能的结果,在这些模型中采用的现实匹配过程。这表明,其他方法来连接数据,现象学和市场结构可能是必要的,这是可以想象的,一个可以构建一个有用的模型,不直接依赖于代理行为的细微差别,即使它是已知的,真正的代理人从事复杂的行为。
2017-08-31 q-fin.CP q-fin.TR
Functional Architecture of European Electricity Trading Markets: Requirements for AI Supported Trading Systems under Regulatory Constraints
Swissi Institute for AI(Swissi人工智能研究所)
本文提出一种受监管约束的欧洲电力交易AI支持系统功能架构,通过决策状态向量、风险核算、约束优化和故障关闭控制,将AI作为有界决策组件嵌入市场运营。
2026-10-02 cs.AI cs.SY eess.SY
Intra-day Equity Price Prediction using Deep Learning as a Measure of Market Efficiency
Georgia Institute of Technology(佐治亚理工学院);J.P. Morgan AI Research(摩根大通人工智能研究院)
在金融学中,弱形式的有效市场假说认为,历史股票价格和成交量数据不能为未来价格的预测提供信息。在本文中,我们表明,相反,未来的日内股票价格可以有效地预测,直到2009年。我们使用两种不同的基于机器学习的有利可图的交易策略来证明这一点。然而,随着时间的推移,这两种方法的有效性都在下降,2009年之后,这两种方法都没有盈利。我们详细介绍了2003-2017年期间的实施情况和结果,并提出了一个新的想法:使用这种灵活的机器学习方法作为相对市场有效性的客观衡量标准。最后,我们提出了一个候选解释,将我们的回报率与高频交易量进行了比较,并提出了进一步调查的具体步骤。
2019-08-22 cs.LG q-fin.TR
Intra-Day Seasonality in Foreign Exchange Market Transactions
本文研究了在德国马克/美元外汇市场上交易的限价和市价订单的日内季节性。对基于Dealing 2000-2电子交易商间经纪系统的已完成交易数据的实证分析表明,在通常的市场条件下,日内回报率和回报率波动具有明显的季节性。此外,对已实现尾部结果的分析支持整个交易日特殊市场条件的季节性。
2011-03-29 q-fin.ST q-fin.TR
Rolling intrinsic for battery valuation in day-ahead and intraday markets
Fraunhofer SCAI(弗劳恩霍夫 SCAI);RIVACON GmbH(RIVACON 有限公司)
本文针对中欧EPEX Spot市场的电池储能系统,采用纳入买卖价差的滚动内在价值法研究竞价策略,发现多市场策略优于单市场,且放宽日循环限制可提升盈利性。
2025-10-29 q-fin.CP q-fin.PR q-fin.TR
Time is Money: The Equilibrium Trading Horizon and Optimal Arrival Price
执行即使是中等规模的衍生品订单也可能是昂贵和有风险的;很难平衡随着时间的推移执行订单的不确定性与为立即执行支付流动性溢价。在这里,我们介绍时间就是金钱模型,它计算在方差风险和流动性溢价的对抗力量中执行订单的均衡交易期限。我们在算术布朗运动中构造了一个假设的实值期权,并反转Bachelier模型来计算隐含方差和流动性成本之间的拐点,该拐点由一个中央限价订单簿控制,每个订单簿都是实时演变的。因此,我们展示了一个新的,连续时间到达价格框架。此外,我们认为,交易者应该是漠不关心的方差风险和流动性成本之间的选择,除非他们有一个预先确定的偏见或外生的立场与凸回报。因此,我们引入半衰期因子渐近模型的基础上的凸性因子,并比较现有的模型的结果。我们还描述了一个专门的模型,用于交易一篮子相关的工具,例如期货日历价差。最后,我们建立了微观结构优化的基础,以及探讨短期漂移和条件预期滑移的平衡地平线框架内。
2021-04-12 q-fin.MF q-fin.PM q-fin.TR
TradeFM: A Generative Foundation Model for Trade-flow and Market Microstructure
TradeFM是一种基于生成Transformer的市场微观结构基础模型,通过学习大规模交易数据实现跨资产泛化,有效捕捉市场特征并提升合成数据生成与交易策略研究能力。
2026-02-27 cs.AI cs.LG q-fin.CP
Microstructure and Manipulation: Quantifying Pump-and-Dump Dynamics in Cryptocurrency Markets
本研究利用分钟级OHLCV数据量化加密货币拉高出货动态,识别累积阶段并计算内部人士利润,提出预累积与现场原型分类,增强检测算法并支撑市场执法策略。
2025-04-22 q-fin.TR
A Deep Reinforcement Learning Framework for Continuous Intraday Market Bidding
University of Liège(列日大学);ENGIE(昂吉集团)
可变能源的大规模整合预计将使大部分能源交换更接近实时,从而提供更准确的预测。在这种情况下,短期电力市场,特别是日内市场被认为是这些交易所的合适交易场所。成功整合可再生能源的一个关键组成部分是使用储能。在本文中,我们提出了一个新的建模框架,能源存储的战略参与欧洲连续的日内交易市场,通过集中的订单簿发生的交流。存储设备运营商的目标是在整个交易范围内获得最大利润,同时考虑单元的操作约束。将日内市场交易的序贯决策问题建模为马尔可夫决策过程。异步分布式版本的拟合Q迭代算法被选择用于解决这个问题,由于其样本效率。订单簿中现有订单的数量大且可变,这促使使用高级操作和替代状态表示。历史数据用于生成大量的人工轨迹,以解决学习过程中的探索问题。由此产生的政策进行回测,并与基准战略,这是目前的行业标准进行比较。结果表明,代理收敛到一个政策,实现平均更高的总收入比基准策略。
2020-04-13 cs.AI cs.LG q-fin.TR
Adaptive Agents and Data Quality in Agent-Based Financial Markets
本文提出基于智能体的市场微观结构仿真(ABMMS),通过引入碎片化市场结构、传播延迟、现实拍卖机制及元强化学习自适应智能体,显著提升了生成数据对真实市场典型事实的复现能力与政策指导效用。
2023-11-27 q-fin.TR
High frequency trading and asymptotics for small risk aversion in a Markov renewal model
我们研究了一个市场微观结构模型中的最优高频交易问题,该模型被设计成在准确性和易处理性之间取得很好的折衷。股票价格由马尔可夫更新过程(MRP)驱动,而市价订单通过与股票价格本身相关的点过程到达限价订单簿。在这个框架中,我们可以重现逆向选择风险,出现在两种不同的形式:通常的一个由于大的市价订单影响股票价格和惩罚代理人,和弱的一个由于小的市价订单和减少一个有利可图的执行的概率。在这个半马尔可夫模型中,我们利用随机控制技术来解决做市商问题。在无风险规避的情形下,我们给出了最优控制的显式表达式,并将价值函数刻画为一个简单的线性偏微分方程。在一般情况下,我们根据前面的结果推导出最优控制和价值函数,并说明风险厌恶如何影响交易者的策略和预期收益。最后,通过使用摄动方法,近似最优控制的小风险厌恶显式计算两个简单的偏微分方程,大大减少了计算成本和启发的金融解释的结果。
2015-01-04 math.PR q-fin.TR
They Still Haven't Told You
全球股票市场呈现出长达数十年的隔夜和日内回报模式,似乎只有一个解释是一致的:一个或多个大型的、长期存在的量化公司倾向于在一天的早些时候扩大其投资组合(当其交易价格变动更大时),并在当天晚些时候收缩其投资组合(当其交易价格波动较小时),在每日往返交易中亏损,以在其庞大的现有账面上创造按市值计价的收益。自从这种不寻常的隔夜和日内回报模式首次在文献中被发现以来,14年来一直没有提出其他合理的解释。因此,剩下的主要问题是,在少数几家能够以这种方式进行盈利交易的公司中,哪一家犯了这样的错误。如果这些对你来说是新闻,那是因为你信任的人提醒你这些问题仍然没有告诉你。
2022-01-01 econ.GN q-fin.EC q-fin.GN
Risk-Sensitive Compact Decision Trees for Autonomous Execution in Presence of Simulated Market Response
J. P. Morgan Chase(摩根大通);Georgia Institute of Technology(佐治亚理工学院)
我们展示了风险敏感强化学习的应用,以优化执行限价订单簿市场。我们表示采取订单执行的马尔可夫决策过程的基础上,限价订单簿知识,并训练在市场模拟器中的交易代理,它模拟多代理人的互动,通过合成市场反应,我们的代理人的执行决策,从历史数据。由于市场冲击,执行大量订单可能会产生巨大的成本。我们学习交易信号的市场微观结构在存在模拟的市场反应,并得出可解释的基于决策树的执行策略,使用风险敏感的Q学习,以最大限度地减少执行成本的成本方差的约束。
2021-01-06 cs.LG q-fin.TR
Evaluation of Dynamic Cointegration-Based Pairs Trading Strategy in the Cryptocurrency Market
本研究旨在展示一种基于动态协整的配对交易策略,包括加密货币市场中的最佳回顾窗口框架,并通过应用三种不同的场景来评估其回报和风险。我们采用恩格尔-格兰杰方法,Kapetanios-Snell-Shin(KSS)测试,和Johansen测试作为协整检验在不同的情况下。我们校准的均值回归速度的Ornstein-Uhlenbeck过程,以获得用于资产选择阶段和回看窗口估计的半衰期。通过考虑市场微观结构的主要局限性,我们的策略超越了Bitmex交易所的天真买入并持有方法。另一个重要的发现是,我们实施了大量的加密货币硬币来制定模型的价差,这提高了对交易策略的风险调整盈利能力。此外,该战略的最大回撤水平是合理的低,这使得它有用的部署。结果还表明,一类硬币比其他硬币有更好的潜在套利机会。这项研究具有一些明显的优势,使其从加密货币市场的类似研究中脱颖而出。首先是数据的准确性,其中分钟面元数据在形成期间创建信号。此外,为了在交易期间回测策略,我们使用最佳买入/卖出报价和市场交易模拟交易信号。当资产规模已经以其报价可用时(信号生成后有一个或多个时段缺口),我们只考虑订单执行。这个动作使得回溯测试更加现实。
2021-09-22 q-fin.CP q-fin.MF q-fin.ST
Multi-Agent Reinforcement Learning in a Realistic Limit Order Book Market Simulation
最佳订单执行被行业从业者和学术研究人员广泛研究,因为它决定了投资决策和高级交易策略的盈利能力,特别是涉及大量订单的交易策略。然而,复杂和未知的市场动态对最优执行策略的开发和验证提出了重大挑战。在本文中,我们提出了一种无模型的方法,通过训练强化学习(RL)代理在一个现实的市场模拟环境中有多个代理。首先,我们配置一个多代理历史订单簿模拟环境,用于执行基于代理的交互式离散事件模拟(ABIDES)的任务[arXiv:1904.12066]。其次,我们制定了最优执行的RL设置,智能代理可以在高频交易(HFT)的市场微观结构的交易信号的基础上,订单执行和配售决策的问题。第三,我们开发和训练一个RL执行代理使用双深度Q学习(DDQL)算法在ABIDES环境。在某些情况下,我们的RL代理收敛到时间-加权价(TWAP)策略。最后,我们评估模拟与我们的RL代理比较,它与市场重放模拟使用真实的市场限价订单簿(LOB)数据。
2020-09-11 q-fin.TR
A Volume-Price-Adjusted MACD Trading Strategy with Sensitivity Calibration for U.S. Equity Indices
Yale University(耶鲁大学)
本文提出一种结合成交量、波动率和日内价格结构的改进MACD策略,通过灵敏度参数优化交易时机,提升市场响应能力,实验证明其在盈利性、风险调整收益和下行风险控制方面优于传统MACD策略。
2026-04-28 q-fin.ST q-fin.TR
A reinforcement learning extension to the Almgren-Chriss model for optimal trade execution
强化学习被探索作为候选机器学习技术,以增强现有的分析解决方案,用于使用来自市场微观结构的元素进行最佳交易执行。给定交易量、固定时间范围和离散交易期,目标是调整给定的交易量轨迹,使其在实时执行期间相对于有利/不利条件是动态的,从而改善交易的总体成本。我们认为标准的Almante-Chriss模型的线性价格影响作为候选基础模型。该模型在卖方机构中很受欢迎,作为到达价格基准执行算法的基础。通过训练一个学习代理来根据市场的普遍价差和成交量动态来修改成交量轨迹,我们能够根据南非股市的股票样本和交易规模,将交易后的执行缺口平均提高10.3%。
2014-03-10 q-fin.TR
Data-Driven Measures of High-Frequency Trading
该研究提出区分HFT两类策略的数据驱动度量,其优于传统指标,可捕捉HFT时间动态,能响应相关市场事件,还揭示了HFT对信息获取的差异化影响。
2026-09-23 q-fin.GN q-fin.TR
Optimal bidding in hourly and quarter-hourly electricity price auctions: trading large volumes of power with market impact and transaction costs
University of Duisburg-Essen(杜伊斯堡-埃森大学)
本文研究了在小时和季度电力拍卖中如何通过最小化价格影响而非最大化套利来提高利润。
2022-02-09 q-fin.MF q-fin.PM q-fin.ST
Optimal Execution with Dynamic Order Flow Imbalance
我们研究了同时考虑市场微观结构影响和信息成本的最优执行模型。信息足迹与订单流相关,由交易者对订单流不平衡过程的影响来表示,而微观结构影响则由瞬时价格影响来表示。我们提出了一个连续时间的随机控制问题,这两个成本之间的平衡。解释订单流不平衡导致考虑当前的市场状态,特别是一个人的订单是否倾向于或反对现行的订单流,在文献中的执行模型往往忽略的关键组成部分。特别是,为了对不断变化的订单流做出反应,我们将交易范围$T$内生化。在发展了一般的不确定时域公式之后,我们研究了几个易于处理的近似,它们依次优化了价格影响和$T$。这些近似,特别是一个动态版本的基础上滚动时域控制,被证明是非常准确的,并连接到流行的Almante-Chriss框架。我们还讨论了经验订单流的特征以及我们的模型与Easley等人的“最优执行地平线”(金融数学,2013)之间的联系。
2014-10-18 q-fin.TR
A Score-Driven Conditional Correlation Model for Noisy and Asynchronous Data: an Application to High-Frequency Covariance Dynamics
由于非同步交易和市场微观结构噪声的存在,高频收益之间相关性的日内动态分析具有挑战性。这两种影响可能会导致显着的数据减少,并可能严重低估的相关性,如果采用传统的方法为低频数据。我们建议通过一个多变量局部水平模型与分数驱动的协方差矩阵,并将波动性作为一个缺失值问题来处理。这种方法的主要优点是:(i)在过滤相关性时使用所有可用的数据,(ii)考虑市场微观结构噪声,(iii)通过标准的最大似然方法进行估计。我们的实证分析,1秒的纽约证券交易所数据进行,表明开放时间是由特质风险和市场因素逐渐出现在一天的第二部分。该方法可用作高频数据的临近预报工具,允许研究协方差对宏观新闻公告的实时响应,并以非常短的优化视野构建日内投资组合。
2019-03-05 q-fin.GN q-fin.TR
Random walk model from the point of view of algorithmic trading
尽管日内市场价格分布不是正态分布,但价格行为的随机游走模型对于理解市场基本原理的重要性,就像钟摆模型是物理学中许多基本理论的起点一样。该模型是一个很好的零阶近似的流动性快速移动的市场中的队列位置是不重要的价格行为。在本文中,我们提出了一个精确的解决方案的静态被动切片执行的成本。它示出,如果价格有一个随机游走行为,有没有一个订单执行的最佳限制水平:所有级别有相同的执行成本作为一个立即积极执行在切片的开始。此外,估计的风险,限价订单以及概率的限价订单执行的切片时间和标准偏差的价格的函数。
2019-08-12 q-fin.ST q-fin.TR