Applied econometrics for high frequency trading: a maching learning approach

Abstract

Η εργασία, εξετάζει την προβλεψιμότητα των συναλλαγών υψηλής συχνότητας, αξιοποιώντας προηγμένα οικονομετρικά μοντέλα και μεθόδους μηχανικής μάθησης. Συγκεκριμένα, αναλύονται τρεις βασικές προβλεπτικές μεταβλητές—η απόδοση συναλλαγών, η κατεύθυνση των τιμών και η διάρκεια συναλλαγών—με δεδομένα από επιλεγμένες μετοχές του NASDAQ 100. Τα αποτελέσματα καταδεικνύουν ότι η διάρκεια των συναλλαγών παρουσιάζει υψηλή προβλεψιμότητα, ενώ η προβλεψιμότητα των αποδόσεων είναι περιορισμένη αλλά υπαρκτή. Εξετάζεται επίσης η επίδραση των χαρακτηριστικών ρευστότητας, της καθυστέρησης στην εκτέλεση εντολών και ο ρόλος της ροής εντολών στην πρόβλεψη των αγοραίων μεταβολών. Η μελέτη προσφέρει σημαντικές προεκτάσεις για τις αλγοριθμικές συναλλαγές και τη θεωρία της αγοράς, αναδεικνύοντας τη δυνητική αξία της μηχανικής μάθησης στη βελτίωση των στρατηγικών διαπραγμάτευσης.

This study investigates the short-term predictability of ultra high-frequency stock returns, trade directions, and transaction durations using advanced machine learning techniques. Utilizing trade and quote data from five NASDAQ-100 stocks, the research evaluates classical, ensemble, and deep learning models. The findings reveal significant short-term predictability, particularly in trade direction and duration, with performance influenced by asset characteristics such as liquidity and volatility. Moreover, the study underscores the critical role of data timeliness and illustrates the potential gains from partial foresight into order flow, offering valuable insights for practical trading strategies.