要約
高周波取引（HFT）は、株式取引量のほぼ半分を占めていますが、公開データでは特定されていません。
私たちは、流動性を需要と要求する戦略を分離するHFT活動の新しいデータ駆動型測定を開発します。
機械学習モデルをトレーニングして、同時の公開データを使用して独自のデータセットで観察されるHFTアクティビティを予測します。
データセットで訓練されると、これらのモデルは2010年から2023年にかけて米国のストックユニバース全体のHFT測定値を生成します。当社の測定は、HFTの時間的ダイナミクスをキャプチャするのに苦労する従来のプロキシよりも優れています。
さらに、Latencyアービトラージ、交換速度バンプ、データフィードのアップグレードなど、HFTアクティビティにショックを使用してそれらを検証します。
最後に、私たちの措置は、HFTが基本的な情報収集にどのように影響するかを明らかにしています。
流動性サプライリンのHFTは、収益の発表に関する価格発見を改善し、流動性を促進する戦略がそれを妨げます。
要約(オリジナル)
High-frequency trading (HFT) accounts for almost half of equity trading volume, yet it is not identified in public data. We develop novel data-driven measures of HFT activity that separate strategies that supply and demand liquidity. We train machine learning models to predict HFT activity observed in a proprietary dataset using concurrent public intraday data. Once trained on the dataset, these models generate HFT measures for the entire U.S. stock universe from 2010 to 2023. Our measures outperform conventional proxies, which struggle to capture HFT’s time dynamics. We further validate them using shocks to HFT activity, including latency arbitrage, exchange speed bumps, and data feed upgrades. Finally, our measures reveal how HFT affects fundamental information acquisition. Liquidity-supplying HFTs improve price discovery around earnings announcements while liquidity-demanding strategies impede it.
arxiv情報
| 著者 | G. Ibikunle,B. Moews,D. Muravyev,K. Rzayev |
| 発行日 | 2025-03-21 17:31:44+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google