[论文解读] Why is order flow so persistent?

Bence Tóth, Imon Palit+2 more|RePEc: Research Papers in Economics|Aug 8, 2011

Complex Systems and Time Series Analysis参考文献 28被引用 7

一句话总结

本文利用包含经纪商会员标识符的伦敦证券交易所独特数据，研究了股票订单流中极端持久性的来源。研究发现，订单流自相关性主要由个人投资者将大笔交易分批执行（即订单拆分）所致，而非羊群行为，且在不同股票、时间段和经纪商之间均表现出高度一致性。

ABSTRACT

Order flow in equity markets is remarkably persistent in the sense that order signs (to buy or sell) are positively autocorrelated out to time lags of tens of thousands of orders, corresponding to many days. Two possible explanations are herding, corresponding to positive correlation in the behavior of different investors, or order splitting, corresponding to positive autocorrelation in the behavior of single investors. We investigate this using order flow data from the London Stock Exchange for which we have membership identifiers. By formulating models for herding and order splitting, as well as models for brokerage choice, we are able to overcome the distortion introduced by brokerage. On timescales of less than a few hours the persistence of order flow is overwhelmingly due to splitting rather than herding. We also study the properties of brokerage order flow and show that it is remarkably consistent both cross-sectionally and longitudinally.

研究动机与目标

• 确定股票市场中订单流极端持久性的根源是否为羊群行为（投资者之间的协调行为）或订单拆分（个人投资者逐步执行大笔交易）。
• 通过建模投资者行为和经纪商选择模式，克服因经纪商选择而引入的订单流分析偏差。
• 检验观察到的订单流自相关性是否源于自相关性（个体投资者拆分交易）而非交叉相关性（投资者之间的羊群行为）。
• 评估订单流持久性在不同股票、时间段和经纪商之间的稳健性。
• 评估订单流持久性对市场冲击和价格发现动态的影响。

提出的方法

• 将订单流的自相关函数分解为不同投资者之间的交叉相关性成分以及单个投资者内部的自相关性成分。
• 使用来自伦敦证券交易所的独家数据集，包含交易所会员标识符，实现订单流的经纪商层面追踪。
• 基于羊群行为和订单拆分模型，以及经纪商选择模型（包括动态随机经纪商选择模型）提出原假设。
• 应用统计检验，将实际数据与这些原假设模型进行比较，结果拒绝羊群行为模型，而无法拒绝订单拆分模型。
• 采用分箱自相关估计与双对数标度方法，以降低估计误差并提高结果稳健性。
• 评估持久性在不同股票、时间段和经纪商之间的表现一致性，包括横截面与纵向比较。

实验结果

研究问题

• RQ1 股票订单流长期持久性的主要驱动因素是羊群行为还是订单拆分？
• RQ2 经纪商选择如何影响订单流自相关性的估计与解释？
• RQ3 观察到的订单流持久性是否源于个体投资者通过订单拆分逐步揭示其交易意图？
• RQ4 订单流的自相关结构在不同经纪商或股票之间是否存在显著差异？
• RQ5 经纪商选择在多大程度上影响订单流自相关性的观测结果？

主要发现

• 在数小时以内的时间尺度上，订单流持久性主要源于订单拆分，而非羊群行为。
• 单个交易所会员的订单流自相关性显著为正且持久，而会员之间的交叉相关性则较低，甚至常为负。
• 数据强烈拒绝羊群行为作为主要驱动因素，而订单拆分模型与实际观测数据保持一致。
• 尽管算法交易有所增加，但订单流持久性水平（以 $C_{same}( au)$ 衡量）在十年研究期内保持稳定。
• 订单流持久性在不同股票、时间段和经纪商之间表现出极强的一致性，仅有少数异常值显示方向性持久性较低。
• 不同经纪商和时间维度下订单流模式的一致性支持了投资者使用少量、稳定的经纪商进行交易的假设，与算法执行引擎的运作方式一致。