Can machine learning unlock new insights into high-frequency trading?

要約

私たちは、金融市場のダイナミクスと高頻度取引 (HFT) 活動の間の非線形相互作用を捕捉する機械学習モデルを設計およびトレーニングします。
その際、流動性を要求する HFT 戦略と流動性を供給する HFT 戦略を特定するための新しい指標を導入します。
どちらのタイプの HFT 戦略も、情報イベントに応じてアクティビティを増加させ、取引速度が制限されている場合はアクティビティを減少させます。流動性供給戦略はより優れた応答性を示します。
流動性を要求する HFT はレイテンシー アービトラージの機会とプラスの関係にありますが、流動性を供給する HFT はマイナスの関係にあり、理論上の予想と一致しています。
私たちの指標は、金融市場における情報生成プロセスの理解に影響を与えます。

要約(オリジナル)

We design and train machine learning models to capture the nonlinear interactions between financial market dynamics and high-frequency trading (HFT) activity. In doing so, we introduce new metrics to identify liquidity-demanding and -supplying HFT strategies. Both types of HFT strategies increase activity in response to information events and decrease it when trading speed is restricted, with liquidity-supplying strategies demonstrating greater responsiveness. Liquidity-demanding HFT is positively linked with latency arbitrage opportunities, whereas liquidity-supplying HFT is negatively related, aligning with theoretical expectations. Our metrics have implications for understanding the information production process in financial markets.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google