[论文解读] 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 7

一句话总结

本文提出一种同步算法，通过聚合的逐笔交易与报价数据重建高频订单流，显著提升了基础匹配方法的准确性。研究发现，重建选择对模型校准具有关键影响，并通过订单流模式的法医学分析揭示了交易所数据基础设施中的隐藏技术变更。

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.

研究动机与目标

• 解决从不完整、异步的交易与报价数据中重建详细订单流的挑战。
• 通过改进的匹配算法，提升交易签名与订单流重建的准确性。
• 评估数据重建选择对定量模型校准的影响，特别是对霍克斯过程的影响。
• 将重建的订单流用作法医学工具，检测交易所数据生成系统中的技术变更。
• 为无法获取底层市场数据的研究人员提供一种实用且易访问的方法。

提出的方法

• 开发一种同步算法，通过时间戳对齐和识别每笔交易前最近的报价变动，将交易与报价更新进行匹配。
• 将该算法应用于欧洲证券交易所巴黎、伦敦证券交易所和德交所五年的TRTH数据，实现对市价单、限价单和撤单的精确重建。
• 使用Lee-Ready程序分配交易方向，通过与重建的基准真实数据对比，评估最优滞后选择。
• 采用简单的泊松模型和霍克斯过程模型，说明重建如何影响内生性比率与聚类参数。
• 在原始交易数据与匹配后数据上进行模型校准，量化估计强度参数的差异。
• 分析霍克斯过程中α/β比率的时间变化，以检测因数据同步不良而引入的系统性偏差。

实验结果

研究问题

• RQ1 如何在最小假设下，从聚合的、异步的交易与报价数据中重建订单流？
• RQ2 匹配方法的选择对霍克斯过程等定量模型校准有何影响？
• RQ3 对重建订单流进行法医学分析，能否检测到交易所数据生成系统中的技术变更？
• RQ4 Lee-Ready程序的最优滞后是多少？其是否随时间或交易所而变化？
• RQ5 同步误差如何影响订单流动态中内生性与聚类的估计？

主要发现

• 所提出的匹配算法显著提升了重建准确性，尤其在较旧数据（2008年）中表现突出，且在近期数据（2013年）中依然有效。
• 当使用未经匹配的原始交易数据时，霍克斯过程模型中的α/β比率因时间戳错位导致的人工聚类而被高估约15%。
• Lee-Ready程序的最优滞后并非恒定；其随时间变化，并取决于交易所特定的数据质量与时间精度。
• 交易所数据生成中的技术变更——如时间戳分辨率或消息处理方式的改变——会在重建的订单流中留下可检测的痕迹。
• 错误的匹配会导致虚假模式的出现，例如在最优报价处出现“先交易后撤单”，从而虚增撤单强度的估计。
• 本研究证明，即使仅使用聚合的、匿名化数据，也能揭示金融交易所基础设施的根本性变更，凸显数据一致性作为关键研究议题的重要性。