Extracting market events from limit order book data : a data-driven approach to financial feature engineering

Abstract

Οι χρηματοπιστωτικές αγορές έχουν εξελιχθεί σε εξαιρετικά πολύπλοκα συστήματα, όπου οι περίπλοκες δυναμικές των συναλλαγών καταγράφονται στο βιβλίο οριακών εντολών (LOB), ένα κρίσιμο στοιχείο της μικροδομής της αγοράς. Η παρούσα διπλωματική εργασία διερευνά την πρόκληση της ανάλυσης δεδομένων LOB για την εξαγωγή ουσιαστικών προτύπων και προβλε πτικών σημάτων, αξιοποιώντας τεχνικές μηχανικής μάθησης για την αντιμετώπιση της εγγενούς πολυπλοκότητας και μη γραμμικότητας των δεδομένων. Το έργο μας εστιάζει στη γεφύρωση του χάσματος μεταξύ των στιγμιοτύπων του LOB και των λεπτομερέστερων ανά-εντολή δεδομένων (MBO- Market By Order), τα οποία προσφέρουν πιο πλούσιες πληροφορίες αλλά συχνά δεν είναι διαθέσιμα ή δεν αξιοποιούνται στην ακαδημαϊκή έρευνα. Για αυτόν τον σκοπό, αναπτύξαμε έναν άπληστο αλγόριθμο για την ανακατασκευή συνθε τικών δεδομένων ΜΒΟ από στιγμιότυπα υψηλής συχνότητας του LOB. Αυτό το ανακατασκευα σμένο σύνολο δεδομένων χρησιμεύει ως βάση για τη δημιουργία ενός διανύσματος χαρακτηρι στικών εμπνευσμένου από προηγούμενες μελέτες, ενσωματώνοντας τα συνθετικά δεδομένα για τον υπολογισμό χρονικών χαρακτηριστικών που στοχεύουν στη σύλληψη χρονικών δυναμικών. Τα χαρακτηριστικά που προκύπτουν αποσκοπούν στην καλύτερη κατανόηση της δραστηριότη τας της αγοράς και στην υποστήριξη εφαρμογών όπως η πρόβλεψη σημάτων alpha, ένα κρίσιμο στοιχείο στη χρηματοοικονομική μοντελοποίηση. Μετην απλοποίηση της πρόσβασης σε λεπτομερείς πληροφορίες της αγοράς και τη διαπίστω ση της δυνατότητας εξαγωγής χρονικών δυναμικών από ακατέργαστα δεδομένα LOB, αυτή η διπλωματική εργασία θέτει τις βάσεις για μελλοντική έρευνα στη μοντελοποίηση και επικύρω ση χαρακτηριστικών. Τα πειραματικά αποτελέσματα αποδεικνύουν την αποτελεσματικότητα αυτής της μεθόδου να συνεισφέρει σε στρατηγικές συναλλαγών και ανάλυση της αγοράς, ενώ υπογραμμίζουν τις δυνατότητες περαιτέρω διερεύνησης και βελτιστοποίησης.