Высокочастотные данные
Высокочастотные данные относятся к данным временных рядов, собранным в чрезвычайно мелком масштабе. В результате передовой вычислительной мощности в последние десятилетия высокочастотные данные могут быть точно собраны с эффективной скоростью для анализа. [1] Широко используемые в финансовой сфере, высокочастотные данные предоставляют наблюдения с очень частыми интервалами, которые могут быть использованы для понимания поведения рынка, динамики и микроструктур. [2]
Высокочастотные коллекции данных изначально были сформулированы путем сбора тиковых рыночных данных, с помощью которых каждое отдельное «событие» (транзакция, котировка, движение цены и т. д.) характеризуется «тиком» или одной логической единицей информации. Из-за большого количества тиков в течение одного дня высокочастотные коллекции данных обычно содержат большой объем данных, что обеспечивает высокую статистическую точность. [3] Высокочастотные наблюдения в течение одного дня ликвидного рынка могут равняться объему ежедневных данных, собранных за 30 лет. [3]
Использовать
Благодаря внедрению электронных форм торговли и поставщиков данных на основе Интернета , высокочастотные данные стали намного более доступными и могут позволить отслеживать ценообразование в режиме реального времени. Это привело к появлению большой новой области исследований в области высокочастотных данных, где ученые и исследователи используют характеристики высокочастотных данных для разработки адекватных моделей для прогнозирования будущих движений рынка и рисков. [3] Прогнозы моделей охватывают широкий спектр поведения рынка, включая объем , волатильность , движение цен и оптимизацию размещения. [4]
Как регулирующие органы, так и академические круги проявляют постоянный интерес к данным о транзакциях и данным книги лимитных ордеров , из которых более существенные последствия торговли и поведения рынка, а также результаты и динамика рынка могут быть оценены с использованием моделей высокочастотных данных. Регулирующие органы проявляют большой интерес к этим моделям в связи с тем, что риски ликвидности и цен не полностью поняты с точки зрения новых форм автоматизированных торговых приложений. [4]
Высокочастотные исследования данных содержат ценность в своей способности отслеживать нерегулярные рыночные действия в течение определенного периода времени. Эта информация позволяет лучше понять цену, торговую активность и поведение. Из-за важности времени в рыночных событиях высокочастотные данные требуют анализа с использованием точечных процессов , которые зависят от наблюдений и истории для характеристики случайных появлений событий. [4] Это понимание было впервые разработано лауреатом Нобелевской премии по экономике 2003 года Робертом Фраем Энглом III , который специализируется на разработке методов финансового эконометрического анализа с использованием финансовых данных и точечных процессов. [4]
Формы высокочастотных данных
Высокочастотные данные в основном используются в финансовых исследованиях и анализе фондового рынка . Всякий раз, когда обрабатывается сделка, котировка или электронный заказ, соответствующие данные собираются и вводятся в формате временного ряда . Таким образом, высокочастотные данные часто называют данными транзакций. [4]
Существует пять основных уровней высокочастотных данных, которые собираются и используются в маркетинговых исследованиях и анализе:
Торговые данные
Отдельные торговые данные, собранные с определенным интервалом в течение временного ряда. [4] Существуют две основные переменные для описания отдельной точки торговых данных: время транзакции и вектор, известный как «отметка», который характеризует детали события транзакции. [5]
Торговые и котировочные данные
Собранные данные содержат сведения как о сделках, так и о котировках, включая изменения цен и направление, временные метки и объем. Такую информацию можно найти в базе данных TAQ (Trade and Quote), которой управляет NYSE . [4] В то время как данные о торговле содержат сведения об обмене самой транзакции, данные о котировках содержат сведения об оптимальных условиях торговли для данной биржи. Эта информация может указывать на остановки в биржах, а также на открытие и закрытие котировок. [6]
Данные книги заказов фиксированного уровня
Используя полностью компьютеризированные системы, можно оценить глубину рынка, используя активность лимитных ордеров , происходящую на фоне данного рынка. [4]
Сообщения обо всех действиях по лимитным ордерам
Этот уровень данных отображает полную информацию, касающуюся действий по лимитным ордерам , и может создать воспроизведение торгового потока в любой момент времени, используя информацию о временных метках, отменах и идентификации покупателя/продавца. [4]
Данные по снимкам книги заказов
Снимки действий книги заказов могут быть записаны на равноудаленных сетках, чтобы ограничить необходимость воспроизводить книгу заказов. Однако это ограничивает возможности анализа торговли и, следовательно, более полезно для понимания динамики, а не взаимодействия книги и торговли. [4]
Свойства в финансовом анализе
В финансовом анализе высокочастотные данные могут быть организованы в различных временных масштабах от минут до лет. [3] Поскольку высокочастотные данные поступают в значительной степени в разрозненной форме по сравнению с низкочастотными методами сбора данных, они содержат различные уникальные характеристики, которые изменяют способ понимания и анализа данных. Роберт Фрай Энгл III классифицирует эти отличительные характеристики как нерегулярное временное расстояние, дискретность, суточные закономерности и временную зависимость. [7]
Неравномерный временной интервал
Данные высокой частоты используют сбор большого количества данных в течение временного ряда, и, как таковая, частота сбора отдельных данных имеет тенденцию быть разнесенной в нерегулярных шаблонах с течением времени. Это особенно очевидно в анализе финансового рынка, где транзакции могут происходить последовательно или после длительного периода бездействия. [7]
Дискретность
Высокочастотные данные в значительной степени включают ценообразование и транзакции, институциональные правила которых не позволяют им резко расти или падать в течение короткого периода времени. Это приводит к изменению данных на основе измерения одного тика. [7] Эта уменьшенная способность к колебаниям делает данные более дискретными в их использовании, например, на фондовом рынке, где популярные акции, как правило, остаются в пределах 5 тиков движения. Из-за уровня дискретности высокочастотных данных, как правило, в наборе присутствует высокий уровень эксцесса . [7]
Суточные закономерности
Анализ, впервые проведенный Энглом и Расселом в 1998 году, показывает, что высокочастотные данные следуют суточному шаблону , при этом продолжительность между сделками наименьшая при открытии и закрытии рынка. Некоторые зарубежные рынки, работающие 24 часа в сутки, по-прежнему демонстрируют суточный шаблон, основанный на времени суток. [7]
Временная зависимость
В значительной степени из-за дискретности цен высокочастотные данные зависят от времени. Спред, вызванный небольшими тиковыми различиями в ценах покупки и продажи, создает тенденцию, которая толкает цену в определенном направлении. Аналогично, длительность и ставки транзакций между сделками имеют тенденцию группироваться, что указывает на зависимость от временных изменений цены. [7]
Данные сверхвысокой частоты
В наблюдении, отмеченном Робертом Фраем Энглом III , доступность более высоких частот данных с течением времени спровоцировала движение от лет к месяцам, к очень частым интервалам сбора финансовых данных. Однако это движение не бесконечно в переходе к более высоким частотам, а сталкивается с пределом, когда все транзакции в конечном итоге регистрируются. [5] Энгл назвал этот предельный уровень частоты данными сверхвысокой частоты . Выдающимся качеством этой максимальной частоты являются крайне нерегулярные интервалы данных из-за большого разброса времени, который налагает дезагрегированный сбор. [5] Вместо того, чтобы разбивать последовательность данных сверхвысокой частоты на временные интервалы, что по сути привело бы к потере данных и сделало бы набор более низкочастотным, можно использовать методы и модели, такие как модель условной авторегрессионной продолжительности, для рассмотрения изменяющегося времени ожидания между сборами данных. [5] Эффективная обработка данных сверхвысокой частоты может использоваться для повышения точности эконометрического анализа. Это может быть достигнуто с помощью двух процессов: очистки данных и управления данными. [6]
Очистка данных
Очистка данных , или очистка данных , представляет собой процесс использования алгоритмических функций для удаления ненужных, нерелевантных и неверных данных из наборов данных с высокой частотой. [6] Анализ данных сверхвысокой частоты требует чистой выборки записей, чтобы быть полезным для изучения. По мере увеличения скорости сбора данных сверхвысокой частоты, в коллекции, скорее всего, будет выявлено больше ошибок и нерелевантных данных. [6] Возникающие ошибки могут быть отнесены к человеческим ошибкам , как преднамеренным (например, «фиктивные» кавычки), так и непреднамеренным (например, опечатка ), или к компьютерным ошибкам, которые происходят при технических сбоях. [8]
Управление данными
Управление данными относится к процессу выбора определенного временного ряда интереса в наборе данных сверхвысокой частоты, которые должны быть извлечены и организованы для целей анализа. Различные транзакции могут быть зарегистрированы в одно и то же время и на разных уровнях цен, и эконометрические модели обычно требуют одного наблюдения на каждой временной отметке, что требует некоторой формы агрегации данных для надлежащего анализа. [6] Усилия по управлению данными могут быть эффективными для исправления характеристик данных сверхвысокой частоты, включая нерегулярные интервалы, скачок спроса и предложения, а также открытие и закрытие рынка. [6]
Альтернативное использование вне финансовой торговли
Исследование, опубликованное в журнале Freshwater Biology, посвященное эпизодическим погодным эффектам на озерах, подчеркивает использование высокочастотных данных для дальнейшего понимания метеорологических факторов и последствий «событий» или внезапных изменений физических, химических и биологических параметров озера. [9] Благодаря достижениям в технологии сбора данных и человеческим сетям в сочетании с размещением высокочастотных станций мониторинга на различных типах озер, эти события могут быть изучены более эффективно. Отмечено, что использование высокочастотных данных в этих исследованиях является важным фактором, позволяющим анализировать быстро происходящие погодные изменения на озерах, такие как скорость ветра и количество осадков, что повышает понимание возможностей озер справляться с событиями в результате увеличения силы штормов и изменения климата . [9]
Высокочастотные данные оказались полезными в прогнозировании инфляции. Исследование Мишель Мондуньо в International Journal of Forecasting показывает, что использование ежедневных и ежемесячных данных с высокой частотой в целом повысило точность прогноза общей инфляции ИПЦ в Соединенных Штатах. [10] В исследовании использовалось сравнение моделей с более низкой частотой с той, которая учитывала все переменные с высокой частотой. В конечном итоге было обнаружено, что повышенная точность как высоковолатильных транспортных, так и энергетических компонентов цен в модели высокочастотной инфляции привела к большей производительности и более точным результатам. [10]
Использование оценки периода полураспада для оценки скоростей возврата к среднему значению в экономических и финансовых переменных столкнулось с проблемами в отношении выборки, поскольку период полураспада около 13,53 лет потребовал бы 147 лет годовых данных согласно ранним моделям процесса AR . [11] В результате некоторые ученые использовали высокочастотные данные для оценки годовых данных периода полураспада. Хотя использование высокочастотных данных может столкнуться с некоторыми ограничениями для обнаружения истинного периода полураспада, в основном из-за смещения оценщика , было обнаружено, что использование высокочастотной модели ARMA последовательно и эффективно оценивает период полураспада с длинными годовыми данными. [11]
Смотрите также
Ссылки
- ^ Ruey S. Tsay (2000) Введение редактора к панельной дискуссии по анализу высокочастотных данных, Журнал деловой и экономической статистики , 18:2, 139-139, doi :10.1080/07350015.2000.10524855
- ^ Андерсен, TG (2000). Некоторые размышления об анализе высокочастотных данных. Журнал деловой и экономической статистики , 18(2), 146-153. doi :10.1080/07350015.2000.10524857
- ^ abcd Dacorogna, MM (2001). Введение в высокочастотные финансы. Сан-Диего: Academic Press.
- ^ abcdefghij Hautsch, N., & SpringerLink (Онлайн-сервис). (2012;2011;). Эконометрика финансовых высокочастотных данных (2012-е изд.). Гейдельберг;Берлин;: Springer. doi :10.1007/978-3-642-21925-2
- ^ abcd Энгл, РФ (2000). Эконометрика сверхвысокочастотных данных. Econometrica , 68(1), 1-22. doi :10.1111/1468-0262.00091
- ^ abcdef Браунлис, CT, и Галло, GM (2006). Финансовый эконометрический анализ на сверхвысокой частоте: проблемы обработки данных. Computational Statistics and Data Analysis, 51(4), 2232-2245. doi :10.1016/j.csda.2006.09.030
- ^ abcdef Р. Рассел, Джеффри и Ф. Энгл, Роберт. (2010). Анализ высокочастотных данных. Справочник по финансовой эконометрике, том 1. 383-426. 10.1016/B978-0-444-50897-3.50010-9.
- ^ Верусис, Т. и Ап Гвилим, О. (2010). Улучшенный алгоритм очистки сверхвысокочастотных данных. Журнал Derivatives & Hedge Funds , 15(4), 323-340. doi :10.1057/jdhf.2009.16
- ^ ab JENNINGS, E., JONES, S., ARVOLA, L., STAEHR, PA, GAISER, E., JONES, ID, Teknisk-naturvetenskapliga vetenskapsområdet. (2012). Эффекты связанных с погодой эпизодических событий в озерах: анализ на основе высокочастотных данных. Freshwater Biology , 57(3), 589-601. doi :10.1111/j.1365-2427.2011.02729.x
- ^ ab Modugno, M. (2013). Прогнозирование текущей инфляции с использованием высокочастотных данных. International Journal of Forecasting , 29(4), 664-675. doi :10.1016/j.ijforecast.2012.12.003
- ^ ab Huang, M., Liao, S., & Lin, K. (2015). Расширенная оценка периода полураспада на основе высокочастотных данных. Journal of Forecasting , 34(7), 523-532. doi :10.1002/for.2342
