* 本报告来自网络，如有侵权请联系删除
金融工程专题报告：主动买卖单的批量成交划分法
收藏
分享
纠错
价格免费
数据简介
买卖单差额（order imbalance）是高频领域研究的一个重点对象。买卖单差额指标与交易量指标相比，还包含着交易方向，可以反映多空双方的主动买卖意愿，以及力量抗衡状态，从而揭示出隐藏在交易行为中的信息。在针对买卖单差额的研究中，首要问题就是判断交易方向，而这需要知道所有交易参与方每笔委托和成交的信息，现实中无法获得此数据，只能依赖于特定交易分类算法去作推断。本文测试了ELO（2012）年提出的批量成交划分法——Bulk VolumeClassification （简称BVC），该方法不需要逐笔数据，大大降低了运算量，同时减少了高频订单数据噪音的干扰，与股价涨跌幅的相关性更高。基于买卖单差额指标可以构造有效的Alpha 因子，对交易冲击成本模型的拟合度也更高。
详情描述
金融工程专题报告：主动买卖单的批量成交划分法 研究结论 ●主动买卖单的划分方法可以分为逐笔算法和批量成交划分法两大类。 逐笔算法是把每一笔交易都进行主动买卖的划分，得到的是离散型的交易分类结果；ELO（2012）提出的批量成交划分法（BVC）是对一个区间内的总成交量进行主动买卖划分，得到的是连续型的分类结果。 ●BVC算法更适用于委托驱动市场。 在电子委托交易市场中，存在大量高频交易、订单拆分、隐藏订单、交易记录顺序错乱、订单延迟、委托撤单等噪音，使用BVC算法可以有效降低由于对订单过度拆分而导致的主动买卖方向划分错误的影响。 ●BVC算法得到的净主买占比Ol与股价涨跌幅的匹配程度更好。 （1）相关性更强：两种算法下的日度回归R2分别为54%和36%，相关系数分别为73%和59%。 （2）方向判断更准确：BVC算法对于净主买方向判断错误的概率更小，判断错误时给出的数值也更小，这在月频层面和股价上涨时体现地尤其明显。 ●基于BVC算法构造的净主买占比Ol，净换手率NTO均是可以提供额外增量信息的有效Alpha因子。 月频层面剔除了所有常规大类因子后，BVC算法得到的OI5因子全市场IC为-214%，ICIR为-1.03，多空年化收益达12%；NTO20因子全市场IC为-2.89%，ICIR为-1.63，多空收益14%，均有显著的选股效果。而订单流算法得到的两因子正交化后均无效。 【更多详情，请下载：金融工程专题报告：主动买卖单的批量成交划分法】
报告预览
*本报告来自网络，如有侵权请联系删除
相关「可视数据」推荐
相关「数据报告」推荐
