[論文レビュー] Reconstruction of Order Flows using Aggregated Data

Ioane Muni Toke|RePEc: Research Papers in Economics|Apr 10, 2016

Complex Systems and Time Series Analysis被引用数 7

ひとこと要約

本稿では、集計済みのティック単位の取引および指値情報データから高周波の注文フローを再構築するための同期アルゴリズムを提案する。基本的なマッチング手法に比べ、著しく精度が向上する。再構築の選択肢がモデルキャリブレーションに顕著に影響することを示し、注文フローのパターンを精査することで、取引所のデータインfra構造における隠れた技術的変更を特定する。

ABSTRACT

In this work we investigate tick-by-tick data provided by the TRTH database for several stocks on three different exchanges (Paris - Euronext, London and Frankfurt - Deutsche Börse) and on a 5-year span. We use a simple algorithm that helps the synchronization of the trades and quotes data sources, providing enhancements to the basic procedure that, depending on the time period and the exchange, are shown to be significant. We show that the analysis of the performance of this algorithm turns out to be a a forensic tool assessing the quality of the aggregated database: we are able to track through the data some significant technical changes that occurred on the studied exchanges. We also illustrate the fact that the choices made when reconstructing order flows have consequences on the quantitative models that are calibrated afterwards on such data. Our study also provides elements on the trade signature, and we are able to give a more refined look at the standard Lee-Ready procedure, giving new elements on the way optimal lags should be chosen when using this method. The findings are in line with both financial reasoning and the analysis of an illustrative Poisson model of the order flow.

研究の動機と目的

• 不完全で非同期な取引および指値情報データから詳細な注文フローを再構築する課題に対処すること。
• 洗練されたマッチングアルゴリズムを用いて、取引シグネチャーおよび注文フロー再構築の精度を向上させること。
• データ再構築の選択肢が、特にHawkes過程のような定量的モデルのキャリブレーションに与える影響を評価すること。
• 再構築された注文フローをフォレンジックツールとして用い、取引所のデータ生産インフラにおける技術的変更を検出すること。
• 低レベルの市場データにアクセスできない研究者にとって実用的でアクセス可能な方法を提供すること。

提案手法

• 取引のタイムスタンプと指値変更のタイムスタンプを同期させ、各取引の直前で最も近い指値変更を特定することで、取引と指値更新をマッチングする同期アルゴリズムを開発する。
• Euronext Paris、LSE、Deutsche Börseの3市場で5年間分のTRTHデータにこのアルゴリズムを適用し、成り行き注文、指値注文、キャンセルの正確な再構築を可能にする。
• 取引の符号を割り当てるためにLee-Ready手順を適用し、再構築された真の状態と比較して最適なラグ選択を評価する。
• 単純なポissonモデルとHawkes過程モデルを用いて、再構築が内生性比やクラスタリングパラメータに与える影響を示す。
• 生の取引データとマッチング済みデータの両方に対してモデルキャリブレーションを実施し、推定された強度パラメータの差を定量化する。
• Hawkes過程のα/β比の時間的変動を分析し、不適切なデータ同期によって生じる系統的なバイアスを検出する。

実験結果

リサーチクエスチョン

• RQ1 不確実性を最小限に抑えて、非同期で集計された取引および指値情報データから注文フローをどのように再構築できるか？
• RQ2 マッチング手順の選択が、Hawkes過程のような定量的モデルのキャリブレーションに与える影響は何か？
• RQ3 再構築された注文フローのフォレンジック分析は、取引所のデータ生産システムにおける技術的変更を検出できるか？
• RQ4 Lee-Ready手順の最適なラグは何か？また、時間経過や取引所ごとに変化するか？
• RQ5 同期誤差は、注文フロー動態における内生性およびクラスタリングの推定にどのように影響するか？

主な発見

• 提案されたマッチングアルゴリズムは、再構築精度を著しく向上させ、特に古いデータ（2008年）に対して顕著な効果を示し、最近のデータ（2013年）に対しても有効である。
• 生の取引データを用いた場合、Hawkes過程モデルのα/β比は15％過剰に推定される。これは、タイムスタンプがずれていることによる人工的なクラスタリングに起因する。
• Lee-Ready手順の最適ラグは一定ではない。時間経過とともに変化し、取引所ごとのデータ品質およびタイムスタンプ精度に依存する。
• 取引所のデータ生産インフラにおける技術的変更（タイムスタンプ解像度の変更やメッセージ処理方法の変更など）は、再構築された注文フローに検出可能な痕跡を残す。
• 不適切なマッチングは、「最良の価格で取引後すぐにキャンセル」といった誤ったパターンを生じさせ、キャンセル強度の推定値を誇張する。
• 本研究は、集計済みで匿名化されたデータですら、金融取引所の基盤インfraの根本的変更を明らかにできることを示しており、データの一貫性が研究上の重要な課題であることを強調する。