基于成交量分解模型的改进VWAP策略

传统VWAP(交易量加权平均价格)策略通过拆分大额委托订单,跟踪市场成交均价,达到最小化冲击成本的目的,而准确预测成交量日内分布是运用VWAP策略的关键。通过详细考察现有的改进VWAP策略中成交量预测模型的建模方式和预测结果,发现由于无法分离成交量日内周期结构,现有模型样本依赖性较大且难以适用于多数股票。因此,本文从个股与市场成交量变化趋势的关系角度出发,推导个股成交量与市场趋势的关系,通过构造个股成交量关于市场因素的因子载荷,将日内成交量分解为市场共同部分和个股特殊部分,预测成交量日内分布并构建动态VWAP策略。实证结果表明新的成交量分解模型可以有效分离个股的成交量日内周期结构,在此基础上构造的改进VWAP策略不仅具有较为广泛的适用性,且跟踪误差减少幅度比现阶段同类型的改进VWAP策略更大,能更好的降低市场冲击成本。     

基于动态交易量预测的VWAP算法交易卖出策略

传统的VWAP交易策略通过预测区间交易量分布进行拆单交易,对于交易量区间分布的预测是基于区间成交量占总成交量比例进行的,这一预测方法没有考虑股票价格变动因素。因此,本文首先通过时间序列因素分解方法进行区间交易量分布预测,进而根据股票价格变化对区间交易量分布进行动态调整,并构建了基于动态区间交易量分布的股票卖出策略,最后通过实证检验了本文给出的动态区间交易量分布预测的有效性和交易策略的有效性。数值结果表明,本文所给动态区间交易量分布预测方法比传统VWAP方法预测结果更加接近于实际的交易量分布,且本文所给交易策略与传统VWAP交易策略相比,具有更大的收益。     

基于价格持续时间的中国股市日内风险价值预测

基于高频数据度量日内交易活动的风险是目前日内金融数据与风险管理中极具挑战性的研究课题之一。本文从实时交易的角度,使用中国股市分笔交易数据,基于价格持续时间的自回归条件持续时间(ACD)模型,研究日内不规则交易数据的风险测度,利用日内不等间隔波动模型估计了日内交易的即时条件波动率,对日内不等间隔风险价值进行了预测和检验。实证结果发现日内不等间隔风险价值模型能够比较好的刻画日内交易风险,股票投资者和市场监管者可以基于该工具对日内风险做出合理的预测,达到止损避险和控制风险的目的。     

大额资产清仓的自动化交易策略

市场的机构投资者经常需要清仓手中持有的大额资产, 因此清仓的交易策略成为了关心的问题. 以工商银行的股票为例,给出适用于计算机执行的自动化清仓策略. 首先将高频的工商银行股票历史数据在每个交易日分别划分出48个交易期, 将问题简化为处理每个交易日交易期的数据. 在此基础上, 综合考虑用神经网络模拟预测清仓时股票价格随时间下降的风险和用信息流理论模型衡量的价格冲击和交易时刻, 并通过优化模型得到清仓持续的交易日天数. 此后, 再制定出每个交易日的具体自动化交易策略.在制定日内交易策略 时, 首先用神经网络对交易时刻做出预测, 然后综合考虑使用 VWAP 预测出的交易量和通过 Kalman 滤波方法修正过的期权定价公式预测出的各时刻股票的初始价格, 最终给出详细的交易策略及交易的成本.     

基于M-LSTM的股票指数日内交易量分布预测研究

针对现有预测建模方法难以高效提取日内交易量分布复杂变化规律,影响VWAP策略执行效果的问题,本文提出一种MEMD分解下基于LSTM-Attention的股市指数日内交易量分布预测方法M-LSTM。首先,运用MEMD方法将区间多维交易量时序同步分解为若干个独立的本征模态函数(IMF);其次,对各维度分解中高频IMF进行去噪与重构,构建基于LSTM-Attention神经网络的日内交易量分布预测模型,并深入分析股票指数不同走势阶段下模型预测的有效性;最后,分别采用M-LSTM、ARIMA以及SVR等主流方法,对上证指数等四个代表性指数的日内交易量分布进行预测。实验结果表明:M-LSTM预测误差更小,是一种更有效的股票指数日内交易量分布预测方法。     

基于VAR模型的中国创业板羊群效应研究

羊群效应一直是我国主板市场研究的热点问题,受到开板时间的制约,关于创业板市场羊群效应研究相对较少.以创业板为研究对象,基于CCK模型检验方法,引入成交量指标,分别从价、量两个方面建立VAR模型对创业板的355只股票进行研究.结果表明:我国创业板二级市场存在由成交量引起的羊群效应,滞后期为1~2期.说明在创业板,投资者对成交量变动比价格变动更为敏感.因此,加强投资者交易行为的监管更有利于创业板市场的稳健发展.     

机器学习方法在股指期货预测中的应用研究——基于BP神经网络、SVM和XGBoost的比较分析

机器学习在人工智能领域取得了巨大的成就,在学界和业界都掀起了机器学习的热潮.针对股指期货交易速度快、交易频率高和交易量巨大且交易数据具有高纬、时序的特征,构建了新的股指期货量化投资模型,采用沪深300股指期货1分钟高频数据作为研究对象.并对比分析了神经网络、支持向量机和XGBoost对股指期货下1分钟价格的变动方向的预测能力.研究结果表明,三种机器学习方法都具有较好的预测能力,但XGBoost的预测能力要优于传统的神经网络和支持向量机.     

基于ACD模型的成交量建模研究

以金融超高数据中的重要指标成交量为研究对象,借鉴ACD模型的建模思路,以价格变化一个单位的交易期内累计成交量为标记点,建立基于价格交易持续期的累计成交量模型——ACV模型,运用国内股票市场超高频数据对这一模型进行实证分析,结果表明模型显著,累计成交量的期望受上一期期望的影响远远大于上一期累计成交量的影响,且累计成交量具有明显的聚类效应.     

深圳股票市场的日内流动性研究

流动性为证券市场注入了活力,使得投资者转让和买卖证券的交易得以顺利完成.因此如何衡量流动性的问题关乎到市场能否更有效地发挥作用.自Demsetz(1968)的《交易成本》一文发表后,买卖价差成为了反映证券市场流动性的重要指标,不同的价差分解模型相继出现并不断完善.在总结现有研究的基础上,文章运用两种类型的高频数据从买卖价差角度对中国深圳股票市场的日内流动性进行了研究.利用大单交易明细数据进行实证分析时,文章以MRR模型作为基本框架,将交易的持续期和订单规模作为新的变量加入其中,得到了扩展的MRR模型,并分别对MRR模型和扩展的MRR模型进行了广义矩估计(GMM);利用1分钟分时数据进行实证分析时,文章借鉴了Corwin和Schultz(2012)提出的高低比估计量的思路,估计了市场各时段的相对买卖价差.综合上述模型实证结果,文章发现:交易持续期和订单规模对买卖价差产生了显著的影响,买卖价差中的逆向信息成本与订单规模呈正相关,与交易持续期呈负相关;订单处理成本与订单规模呈负相关.交易持续期和订单规模的日内特征是导致深圳股市的逆向信息成本和隐含价差在日内呈"L"形且订单处理成本基本保持不变的直接原因.和其他股票市场相比,深圳股市的整体流动性宽度较好,但是信息不对称状况更为严重.此外,最小价格变动单位影响了低价股的流动性,一定程度上人为增加了低价股的买卖价差.     

基于相空间重构和最小二乘支持向量回归模型参数同步优化的碳市场价格预测

为提高碳市场价格预测的准确性,提出了一种基于相空间重构(PSR)和最小二乘支持向量回归(LSSVR)模型参数同步优化的碳市场价格预测模型(PSO-PSR-LSSVR).该模型基于碳市场价格数据特征,利用PSO算法自适应同步优化PSR和LSSVR参数,有效克服了模型参数单独优化和轮流优化的缺陷,保证了参数组合的整体最优.以欧盟碳排放交易体系(EU ETS)下两个碳期货价格为研究对象,实证结果表明,相比常用的预测方法,该模型能够获得更高的预测精度.     

Modelling Asset Prices for Algorithmic and High-Frequency Trading

ABSTRACT

Algorithmic trading (AT) and high-frequency (HF) trading, which are responsible for over 70% of US stocks trading volume, have greatly changed the microstructure dynamics of tick-by-tick stock data. In this article, we employ a hidden Markov model to examine how the intraday dynamics of the stock market have changed and how to use this information to develop trading strategies at high frequencies. In particular, we show how to employ our model to submit limit orders to profit from the bid–ask spread, and we also provide evidence of how HF traders may profit from liquidity incentives (liquidity rebates). We use data from February 2001 and February 2008 to show that while in 2001 the intraday states with the shortest average durations (waiting time between trades) were also the ones with very few trades, in 2008 the vast majority of trades took place in the states with the shortest average durations. Moreover, in 2008, the states with the shortest durations have the smallest price impact as measured by the volatility of price innovations.     

Concentrated Equilibrium and Intraday Patterns in Financial Markets

Abstract

We introduce endogenous participation of market makers into a Kyle-type model with long-lived asymmetric information. In our model with plausible parameter values, the trading volume and price volatility show a U-shaped intraday pattern, often observed in actual financial markets. It will be shown that the pattern is caused not only by the trading behaviour of liquidity traders but also by that of market makers. Our findings shed new light on the stylized fact of the trade concentration at the opening and closing periods.     

基于分解—集成的铁路货运需求预测研究

铁路货运量受到多种因素影响,准确的预测可以为铁路行业未来规划的编制提供重要的参考依据,也可以使铁路部门制定符合当前货运市场的运输政策。货运量数据具有非线性、不平稳的特点,利用传统的单一预测模型进行预测,很难描述整体特征,预测精度有待提高。本文基于分解—集成的原则,利用变分模态分解算法将货运量分解为高频和低频模态,针对各模态特点,分别建立预测模型,将得到的预测结果加总起来作为最终货运量的预测值。实证表明,分解—集成预测方法与传统的单一预测模型相比,提高了预测的准确率,可以很好地应用在铁路货运量需求预测的研究中。     

中国股市量价关系分析中的后验分布构造与模拟

研究中国股票市场中的两个重要指标:股票价格与交易量,随机波动模型具有长期波动性预测能力,只是由于参数估计的困难而没有受到重视.随着马尔可夫链蒙特卡罗(MCMC)方法和计算机计算能力的提高,这种困难是可以克服的.采用基于马尔可夫链蒙特卡罗(MCMC)模拟技术的贝叶斯估计方法,在基于引入预期交易量和非预期交易量的随机波动模型下,对模型参数进行后验分布的构造,并以2005年1月-2012年5月的上证综合指数的每日收盘指数及相应的日成交量序列为样本,通过实证仿真得到参数结果值.结果表明,非预期交易量对股市价格的影响要大于预期交易量.     

沪深300股指期货日内绝对收益率与成交量之间动态关系研究

均值为零的观测样本绝对收益率可以看作波动率的无偏估计量,因此本文选取连续20个交易日的日内高频数据来研究沪深300股指期货日内绝对收益率和成交量之间的动态关系。在检验了样本稳定性后,文章采用格兰杰检验方法检验了股指期货日内绝对收益率和成交量之间的因果关系,检验结果表明:所有样本的成交量均不是绝对收益率的格兰杰原因,而20个样本中的15个样本的绝对收益率是成交量的格兰杰原因。随后我们使用向量自回归模型分别对15个模型的系数做估计,并对模型估计结果做了脉冲响应分析。研究发现,在此高频抽样条件下,与以往研究不同,沪深300股指期货绝对收益率的变化会明显降低其观测期的成交量。因此,在股指期货日内成交量与绝对收益率的研究中,历史成交量与收益率都对当前成交量有着重要影响;而绝对收益率只受历史绝对收益率的影响。