相信未来

2020年2月3号,鼠年的第一个交易日,受新冠疫情影响,开盘应声大跌,上证综指最低2716点,收盘价2746点,较上一交易日暴跌7.72%,开市前甚至有人喊出延缓开市,开市就是中国资本市场历史的罪人这样无稽的论调,市场悲观情绪可见一斑。

一些朋友也发信息问我该怎么办,因为我之前说2800点以下闭着眼扫,这时的低点不太恰当地说是新冠疫情送来的重大买入机会。恐慌是一时的,要相信未来。

人类历史上比新冠疫情严重的烈性传染病不在少数,即使是像中世纪横行欧洲的黑死病,带走2500万人的生命,近欧洲三分之一的人口,人类不是依然挺过来了吗? 倘若人类文明都不再存在了,究竟是现金资产还是有价证券,两者又有什么区别?倘若国家因为新冠疫情而出现重大变革,那对于大多数投资人,无论是房子车子还是现金或股票,到底都是人民币资产,都将变得一文不值。 所以相信未来不仅是一个投资人应当具备的心态,也是大多数投资人不得不坚信的选择。

后来的市场也并没有让我们失望。

事实上,未来也很少让我们失望。

如果我们对2000年到2020年过去20年的上证指数进行实证分析,在过去20年中,随机选择一天,以当天的收盘价买进,附加10%的收益率挂卖单,未来250个交易日,即约一年时间,卖单能够成交,这样的天数总共是2635天,约占全部交易日的57.27%。也就是过去20年中,我们随机一天买入上证指数,未来一年能获得10%的收益率的概率是57.27%!如果是波动更大的深成指,这一概率增大为61.65%,如果是波动率更大的个股呢?

我们选取中国平安(SH601318)进行分析,之所以选取中国平安,因为我认为这支股票符合波动率大同时其企业命运与国运紧密相连这两个标准,那这一概率达到了79.97%。如果我们将2007年平安上市以来的股价图标注出来,图中红色部分是未来不能获得10%收益的那20%,可以看到,大多集中在2007年年底,2010年底,2015年这几段疯牛的历史高点上,而我们如果能在明显高点的位置管住手不建仓,我们刨除这几段时间那么这一概率又上升到了93.22%。

更为令人吃惊的结果是,获得10%的收益这一平均持仓时间是51.43天,假设平仓后我们立即又买入,按照每年250个交易日计,每年共4.86个循环,粗略的计算收益率可以达到(1 + 10%)4.86 – 1 = 58.92%!当然,这么估算过于简陋,因为能够获得10%收益的建仓日期往往是聚集的,在达到平仓条件后这时往往又是不能获得10%收益或者将来持仓日期较长的日期。但是这一数据也足够说明,按照这一简单的不能再简单的策略,在股市中获得一个大于10%的收益并不是一件难事。

其实这样一个思路想要成为一个交易策略,还有很多工作要做,比如控制回撤、如何判断是不是处于明显高位、加仓和平仓的方法等等,每一步都会控制一定的风险,当然每一步也都会带来一定的收益损失,如何取舍、取舍的效率如何,这个tradeoff就是金融最为核心问题——对风险定价,对经济基本面、标的公司运行等有更深的认知,也就能更为聪明地定价。

我想,知道这样一个结论并不难,难的是如何在市场恐慌的时候克服恐惧,坚定地买入,在狂欢的时候保持理智,适时地退场。

投资就是这样一个反人性的东西。人生又何尝不是?

2020,恭喜发财

2019上半年,我在关系很好的同学群里预测资本市场年底有可能会打破3500点,果然不出所料地被打脸了,而且2019年大盘整年的涨幅大部分在我预测3500点之前就已经完成了,不过幸好我在2700点左右建议朋友们加仓,3000点以后我虽然看多但还是建议保守操作。不过我还是想辩解两句,当时我判断的主要依据是我预判中美贸易战即将形成阶段性协议,而2018年资本市场探底很大的原因是中美贸易战所引发的连锁反应,但事实证明我对国际局势的看法还是过于阳春。

中美贸易摩擦现在看来是国际新老格局变动所带来的利益冲突的外在表现,中国的崛起已经是不争的事实,中国在各个领域也在不断渗透美国利益,我并非说这是一个零和游戏,但无论是主动的还是被动的,中国在国际上的影响力越来越大,无疑是对二战以来过去七十多年一超多极的国际格局的挑战,必然涉及到中美之间的摩擦或者更温和的讲——磨合。一年前我的看法还是过于简单,只是从Trump的民粹做事风格来简单的分析这场贸易战,这场“磨合”迟早要来,也注定是长期而艰辛的。

新旧十年之交,中美终于阶段性停火,资本市场毫无悬念的冲破了3000点,大家都在盘算着这是大盘第98次还是98次冲上3000点了,一些人雀跃打破关键点位,一些人赶紧解套,市场在3000点震荡。2020年我依然看多资本市场,主要有以下几个逻辑:

降息已经是确定性事件。中国的经济下行压力已经是非常大了。从微观层面的主观感受,身边的朋友很少有人说2019年过的很好的,企业的销售、现金流都不及预期;宏观层面上,虽然四季度的GDP数据还没公布,全年增速不会比6%高出太多,各项统计数据也不是很乐观。但是2019年由于猪肉带动的物价上涨,造成非常棘手的“滞涨”,大大掣肘了中央的货币政策,眼看着数据往下掉,又不能开仓赈粮。随着1月份猪肉价格和各项指标见顶回落,2020年的货币政策必然会更加宽松,市场普遍预期会有两次降准,各种逆周期调节政策也将会带来大量的资金入市,这无疑是对资本市场的巨大利好。除去自身逆周期调节的需求,放在更为宏观的视角,全球央行都是处在一个降息通道中,中国的利率相较于还是处于高位,2018年去杠杆之后也为现在的货币政策提供了空间。

中美贸易战暂告一段落。中美达成阶段性协议,后面至少会有一年左右的平稳期吧?时间我是这么估算的,协议文本的确定、翻译、签订这可能一个季度就过去了,刚签的协议至少要执行一段时间,前后算算一年时间也差不多。贸易战停火自然是利好,更多的是国家各个层面都对国际局势有了更深入的认识,也会对将来各种形式的中美摩擦有更为理性的预判,我想这个可能是一个影响更为深远的变化。

中国资本市场更加成熟。从90年代初设立资本市场,中国资本市场还是一个很年轻的孩子,我们亲眼目睹和听说了很多瞠目结舌的操作。随着国家法制的推进和资本市场的建设,尤其是资本市场的开放,资本市场越来越成熟,从2019年基金的销售就可以看出,机构投资者的份额越来越大,散户逐渐退居“三级”市场,这无疑是资本市场的巨大进步。如果说2019年是基金的元年,那么随后而来的2020年必定是资本市场的新纪元。散户的退出,可以说是资本市场多年来血亏进行的“投资者教育”的成果,暴涨暴跌没有人会在投机中始终获益,但受伤害最大的是资本市场。另外,由于中国的发审制度,中国资本市场无疑聚集着中国最为核心的优质资产,而且整体估值偏低,2019年外资净流入3500多亿再创新高,也印证了这一观点。另外,养老金等大资金也在逐步入场。资本市场越来越成熟、越来越开放、钱也越来越多,这是一个更长期的逻辑。

最后就要讲一个最长期也是最根本的逻辑,那就是我们国家的未来会不会更好。过去几十年,中国经历了高速发展,我们这几代人都习惯了明天会越来越好,也想当然的认为明天会越来越好,但是这并没有什么道理。明天凭什么会越来越好?尤其是在经历了最近这几年的经济下行,回想美国70年代开始长达20年的经济滞涨,很多人都在这一根本层面对国家、对自己的未来产生了怀疑。我,也不例外,看到了太多体制内的问题,也看到了太多商业里的蝇营狗苟。我对明天充满怀疑,但是对未来始终充满热烈的希望,没有什么道理,这或许是我的本性。

前两天在朋友圈看到文因互联的鲍总发的一条朋友圈,“二十多岁读《万历十五年》,觉得分析很深刻,深刻指出来‘体制问题’。三十多岁再读,觉得黄仁宇太过苛责,那个时代的世界上,哪里存在那种理想里的数目字管理。四十多岁,觉得它只是一个缺少实际管理经验的文人一厢情愿,他要是真的体会过那怕管过一个公司或者一个村庄,都不会那样想。”。正是作为企业家的角色,在我深恶痛绝批评社会问题的时候,更能理性地看待,也不至于失去希望。

回到标题,上面由短期到长期,由确定到不确定,我列举出来一是想分享一下我的观点,大家可以参考,二是希望到2020年底的时候,即使大盘跌了,有些逻辑还依然成立,也不至于错的太离谱。

那么2020年究竟怎么操作呢,以下不构成投资建议:ETF基金为主,大盘指数、银行证券、5G和科技板块根据自己的风险偏好配置,应该会有不错的收益。2020年5G大建设,半导体50等5G和科技板块收益应该会非常不错,但是科技股最大的风险就是——不是科技股 : )

祝大家2020年投资愉快!

金融高频数据计量——理论与实证(三)

本篇为市场微观结构下篇,主要对市场微观结构的研究方法和方向做一个简要的介绍。更加深入和全面的研究可以参考 O’Hara (1995), Madhavan (2000), Biais et al. (2005)Hasbrouck (2007)

市场微观结构 (market microstructure) 理论主要关注的是投资者潜在的需求是如何被最终反映在价格和交易量上的这一过程。所以,市场微观机构理论的核心主题就是关于价格形成 (price formation)、价格发现 (price discovery)、库存 (inventory)、流动性 (liquidity)、交易成本 (transaction cost)、信息扩散与传播 (information diffusion and dissemination)。传统的市场微观结构理论在解释价格行为上分为两大方向:信息不对称模型 (asymmetric information based model) 和库存模型 (inventory model)。前一模型从信息不对称和逆向选择的视角对市场的动态和价格的修正过程进行建模,有顺序交易模型 (sequential trade model) 和策略交易模型 (strategic trade model) 两大主要研究方向。库存模型则主要研究订单流的不确定性,以及流动性提供商的库存风险,和在一定的风险厌恶下的优化问题。最后我们还会对关于交易行为、订单簿均衡市场 (equilibria limit order book market) 的最近的一些研究成果做一个简要的介绍。

1. 信息不对称模型

1.1 顺序交易模型

在顺序交易模型中,随机的交易者会依次到达市场中。这一框架的是基于这一个假设:市场中的交易者拥有信息的程度不同,并依此划分为知情交易者 (“informed traders”),他们根据自己拥有的关于资产价值的信息来交易;和流动性交易者 (“liquidity traders”),他们因为外在的驱动交易,比如资产组合的调整或者流动性原因等等。根据这一 对交易者不同类型划分的假设派生了大量信息不对称模型,其中开创性的论文包括 Copeland and Galai (1983)Glosten and Milgrom (1985)

Glosten and Milgrom (1985) 的模型中,证券有一个支付 (payoff, 这个payoff与期权定价模型中的payoff含义是一样的,可以粗略的理解为回报,但并不准确),以某个概率可能高也可能低,只有在交易结束后才能最终知道。所有交易者被分为知情交易者,和不知情交易者,知情交易者拥有证券支付的信息,他们会在支付高的情况下买入证券,支付低的情况下卖出证券,而不知情交易者等概率地买入或者卖出证券。市场中的知情交易者的比例是给定的。交易商属于不知情交易者,他们根据交易历史来推断资产的真实价值。当交易商收到一个买入或者卖出的订单后,他会计算这时资产价值的条件期望,然后根据这一条件期望来报出买价和卖价,从而使得自己的期望收益能够抵消与知情交易者交易产生的损失。当下一交易完成后,交易商会再重新进行一次上面的操作,这实际上就是一个适应过程 (adoption process)。按照这个过程,买卖价差变成了资产潜在价值及其相对应的概率(或者两者合起来是数学期望)和市场中知情交易者的比例这三个变量的函数。这一模型的基本假设包括:交易价格是一个鞅;订单流是自相关的(买(卖)单之后倾向于还是买(卖)单),随着时间的推移,交易商的不确定在减少,买卖价差也随之缩小;每笔交易都有价格冲击。

这一模型随后被扩展和修改成很多版本,Easley and O‘Hara (1992) 假设在每个交易日的开始是否有“有价值的信息”出现是随机的,在没有信息出现的情况下,知情交易者并不会交易,只有不知情交易会参与交易;他们还假设不知情交易者也不必一直交易,不知情交易者也可能不参与交易。所以没有交易的间隔,同样informative。其他版本的模型还包 Easley
and O’Hara (1987)
的模型中允许订单的大小可以不同,Easley and O‘Hara (1991) 的模型还考虑了不同类型的订单。

Easley et al. (1997)Easley et al. (2002) 扩展了 Easley and O‘Hara (1992) 的模型,影响资产真实价值的事件是按照泊松过程到达的,这样交易者的顺序到达的时间就不必是离散时间而是连续时间了。知情交易者和不知情交易者的到达过程是两个速率不同的泊松过程,每天买和卖的交易次数的联合分布就变成了混合的泊松分布,那么基于事件到达的速率、知情交易者的到达速率、非知情交易者的到达速率,知情交易者概率 PINprobability of informed trading, 随机选定一个交易者是知情交易者的概率)就可以算出来了。Easley et al. (2008) 又将模型扩展为动态(非齐次泊松过程),用以估计时变 (time-varing) PIN 。

1.2 策略交易模型

在顺序交易模型中,每个交易者只会参与市场一次,所以他们不会考虑他的交易会对后续的交易者产生什么样的影响,知情交易者总是会一次性交易所有数量,因为他们不必考虑将来交易中可能出现的不利价格。在策略交易模型中则不是这样,交易者需要重复参与到市场中,所以也必须依照策略行动。在这个领域的开创性的工作是 Kyle (1985)。Kyle模型中,资产的真实价格是随机的,但是知情交易者知晓资产的真实价格,不知情交易者独立于资产真实价格提交随机的订单(噪声交易,noise trading)。做市商会收到知情交易者和不值钱交易者的订单请求,需要据此报价使得所有交易的盈亏互相抵消。知情交易者可能会采用很激进的交易策略,所以做市商为了防止自己在市场趋势的对立面,需要将报价设置为总净订单量(知情交易者和非知情交易者的所有买单减去卖单后的申买量) 的线性函数。这个过程也需要知情交易者的参与,他们根据对做市商价格设置的猜测和自己的需求(申买/卖量)来计算自己的利润。需要注意的是,与顺序交易模型不同,不知情交易者的交易可能会导致做市商的价格设置使得知情交易者出现亏损。知情交易者的最优下单策略问题变成了选择一个最优的需求使得他的期望利润最大,需求就变成了资产真实价值的线性函数。

当做市商猜测知情交易者的优化问题时,他可以依据自己的价格设置规则来计算知情交易者的需求函数。这样知情交易者的需求函数又会反过来影响做市商的价格设置。做市商价格设置的斜率(即净订单量对价格的影响)又被称作为 “Kyle’s lambda”。

Kyle利用二元正态变量的性质,使用总需求与资产实际价格间的协方差和噪声交易的方差以及他们的函数进行了数值计算。Kyle模型的一个结果是,知情交易者的期望利润随着资产实际价格与做市商无条件报价(与总净订单量无关的报价)的发散,以及噪声交易方差的扩大而增加。后面一个结果表明知情交易者在流动性更好的市场中通常会获得更好的收益。

Kyle模型也被扩展成很多不同的模型,比如 Admati and Pfleiderer (1988)Foster and Viswanathan (1990) 允许不知情交易者也有自己的策略,Foster and Viswanathan (1996), 允许多期模型。

2. 库存模型

库存模型主要考虑在面对异步到达的买方和卖方所造成的库存问题。最初由 Garman (1976) 提出,他用泊松过程对买方和卖方的到达进行建模,他们的到达速率取决于价格。所以当两者速率相同时,做市商处于动态平衡之中。做市商通过买卖价差赚取利润,当买卖价差增大时,单次交易的利润扩大,但是交易的速率下降。 Garman (1976) 将库存问题描述为做市商必须维持所持证券和现金不低于特定水平。如果买卖报价的设置使得买方和卖方的到达速率相等,那么所持证券的库存是一个无漂移的随机游动 (zero-drift random walk),所持现金是正漂移的随机游动(只要买卖价差是正的)。这会导致做市商所持证券会以概率1破产,因为对无漂移的随机游动以概率1到达任意有限水平。因此,只要做市商保持买价和卖价不变,那么他(所持证券)迟早要破产。Amihud and Mendelson (1980) 提出了一个类似的模型,做市商的库存被限制在一个上下限之内。他们的模型表明,当库存水平达到临界值时需要更新报价,从而相应地增加或者降低买方和卖方的到达速率。从而买卖报价随着库存水平的增加单调递减,同时买卖报价并不一定要对称地分布在资产的真实价值两侧。

做市商价格的设置也可以在做市商风险厌恶,希望通过买卖报价适当地平衡自己的资产这一框架下来分析。这些工作包括 Stoll (1978), Ho and Stoll (1981), Stoll (1989)Huang and Stoll (1997) 等等。

3. 交易变量的主要结论

关于微观市场变量的一些主要结论:

交易量:在 Easley and O’Hara (1987) 的模型中,交易者可以选择订单的大小,但是不能不参与交易,订单的大小表明了市场信息的存在。Blume et al. (1994) 研究了交易者在不同时间收到不同质量的信息会对交易量产生什么影响,他分析了交易量与市场价格相关的统计性质,表明交易者可以通过交易量来推断市场中存在的信息的数量与质量。一个重要的结果是,交易量提供的额外信息是无法单纯通过价格推断出来的,交易量和波动性是相关联的。

买卖价差:Glosten and Milgrom (1985) 的模型中,做市商通过对决定买卖价差来补偿自己所面对的逆向选择的风险。做市商与知情交易者交易所产生的潜在损失越高,买卖价差越大。此外,买卖价差与做市商的库存风险与风险厌恶程度相关。在 Easley and O‘Hara (1992) 的模型中,做市商通过交易间时间间隔来推断是否新的信息。因此,滞后的间隔时间和买卖价差是负相关的 (lagged durations and the size of spreads are negatively correlated),因为当间隔时间变小时代表了新信息的出现,做市商的风险上升,买卖价差要相应增加。

交易间隔:Diamond and Verrecchia (1987) 提出了一个合理期望模型,模型对做空进行了限制。他们认为交易的缺失是由于“坏”消息的出现,所以交易的缺失提供了有用的信息并且与价格的波动性相关。在这一模型中,由于对做空进行了限制,所以时间间隔是有信息的。在 Easley and O‘Hara (1992) 模型中,当出现信息时,知情交易者会进入市场,没有得到信息的交易者并不会交易,所以较短的交易间间隔表明了信息的出现。Admati and Pfleiderer (1988) 为交易间隔的在时间轴的聚集提供了一种解释,在他们的模型中,流动性交易者倾向于最小化自己的交易成本,在其他交易者在市场中的时候进行交易。在均衡状态下,对知情交易者来说,知情交易者的行为都相似的时候是最优的。这就导致了交易会聚集,交易间隔是正自相关的。

4. 订单簿模型 (Models for Limit Order Book Markets)

A seminal paper to model limit order markets is Glosten (1994). In this model, all market participants have access to an electronic screen. Posting limit orders is done costlessly and the execution of a trade against the book occurs in a “discriminatory” fashion. That is, each limit order transacts at its limit price. Investors are rational and risk averse and maximize a quasi-concave utility function of their cash and share position as well as personal preferences. The trading behavior of market order traders depends on their marginal valuation functions and the prevailing terms of trade, i.e., the list of bid and ask quotes available, which influence the changes in investors’ cash and share positions. It is assumed that an investor chooses the trade quantity such that her marginal valuation equals the marginal price corresponding to the price paid for the last share in a transaction. There is informed trading if an investor’s marginal valuation is associated with the future payoff. Then, incoming market orders reveal information about the unknown “full information value” of the traded security. Due to the anonymity of the electronic market, the underlying marginal valuation implied by an arriving market order can be assessed by the liquidity suppliers only through the observed limit price and the traded quantity given the terms of trades offered by the book.

Glosten assumes that there is a large number of uninformed, risk-neutral and profit-maximizing limit order submitters who set limit prices and quantities on the basis of their “upper tail expectation”. The latter corresponds to the conditional expectation of the asset’s full information liquidation value given that the next arrival’s marginal valuation is greater than or equal to the traded quantity. In the presence of private information, liquidity suppliers protect themselves against adverse selection by setting the limit price at least equal to the upper tail expectation given a market order trading at the corresponding price. It is shown that such a strategy leads to a Nash equilibrium which is characterized by a zero-profit condition for prices at which positive quantities are offered.

Glosten’s model is extended in several directions by Chakravarty and Holden (1995), Handa and Schwartz (1996), Seppi (1997), Kavajecz (1999), Viswanathan and Wang (2002) and Parlour and Seppi (2003). However, while static equilibrium models provide insights into the structure of the limit order book, they do not allow to analyze (dynamic) interactions between the order flow and the state of the limit order book. For this reason, Parlour (1998) proposes a dynamic game theoretical equilibrium model where traders have different valuations for the asset and choose between submitting a market order, a limit order or refraining from trading. Since the expected future order flow is affected by their own order submission strategies, the execution probabilities of limit orders are endogenous. This leads to systematic patterns in traders’ order submission strategies even when there is no asymmetric information in the market. The basic underlying mechanism is a “crowding out” effect whereby market orders and limit orders on the individual market sides crowd out one another when the ask or bid queue is changed. In particular, the probability of the arrival of a buy (sell) trade after observing a buy (sell) trade is higher than after observing a sell (buy) trade. This results from a buy transaction reducing the depth on the ask side which in turn increases the execution probability for limit sell orders. Hence, for a potential seller, the ttractiveness of limit orders relative to market orders rises inducing a crowding out of market sell orders in favor of limit sell orders. Handa et al. 2003 extend this approach by introducing an adverse selection component due to the presence of privately informed traders.

An alternative dynamic game theoretical equilibrium model has been proposed by Foucault (1999) in order to study the cross-sectional behavior of the mix between market orders and limit orders and the implied trading costs. He analyzes the influence of the risks of being picked off and of non-execution on traders’ order submission strategy and derives testable implications regarding the relationship between the proportion of limit orders and market orders in the order flow, the fill rate (i.e., the percentage of executed limit orders), the trading costs and the volatility of the asset price. Handa et al. (2003) extend the approach by Foucault (1999) by introducing private information in his model. While in Foucault’s model trading occurs because of differences in traders’ valuation for the security, Handa et al. introduce an adverse selection component due to the presence of privately informed traders. As a result, the size of the spread is a function of the differences in valuation among investors and of adverse selection. Further extensions of these frameworks are, among others, oucault et al. (2005) and Goettler et al. (2005, 2009). Recent literature focuses on the theoretical analysis on automated trading and smart order routing in electronic trading platforms. See, e.g., Foucault and Menkveld (2008), Hendershott et al. (2011) or Biais et al. (2010), among others.

最后一部分我并没有看的十分明白,为了严谨起见,我暂时没有翻译,将原文直接贴出来,欢迎交流!
这一篇我在查阅相关文献的过程中,能明显的感到到这一篇的信息量很大,首先参考文献的数量很多,其次引用的出处大都为JF、JFE这样的顶级期刊,而且按照 google scholar 上的引用数据,文章动辄引用量都是几百,还有很多篇引用量上千。有志于这方面研究的朋友,这篇文章是个不错的索引。


Reference:

Admati, A. R., & Pfleiderer, P. (1988). A theory of intraday patterns: Volume and price variability. The Review of Financial Studies1(1), 3-40.
Amihud, Y., & Mendelson, H. (1980). Dealership market: Market-making with inventory. Journal of Financial Economics8(1), 31-53.
Biais, B., Glosten, L., & Spatt, C. (2005). Market microstructure: A survey of microfoundations, empirical results, and policy implications. Journal of Financial Markets8(2), 217-264.
Biais, B., Hombert, J., & Weill, P. O. (2010). Trading and liquidity with limited cognition (No. w16628). National Bureau of Economic Research.
Blume, L., Easley, D., & O’hara, M. (1994). Market statistics and technical analysis: The role of volume. The Journal of Finance49(1), 153-181.
Chakravarty, S., & Holden, C. W. (1995). An integrated model of market and limit orders. Journal of Financial Intermediation4(3), 213-241.
Copeland, T. E., & Galai, D. (1983). Information effects on the bid‐ask spread. the Journal of Finance38(5), 1457-1469.
Easley, D., Engle, R. F., O’Hara, M., & Wu, L. (2008). Time-varying arrival rates of informed and uninformed trades. Journal of Financial Econometrics6(2), 171-207.
Easley, D., & O’hara, M. (1987). Price, trade size, and information in securities markets. Journal of Financial economics19(1), 69-90.
Easley, D., & O’HARA, M. A. U. R. E. E. N. (1991). Order form and information in securities markets. The Journal of Finance46(3), 905-927.
Easley, D., & O’hara, M. (1992). Time and the process of security price adjustment. The Journal of finance47(2), 577-605.
Foster, F. D., & Viswanathan, S. (1990). A theory of the interday variations in volume, variance, and trading costs in securities markets. The Review of Financial Studies3(4), 593-624.
Foster, F. D., & Viswanathan, S. (1996). Strategic trading when agents forecast the forecasts of others. The Journal of Finance51(4), 1437-1478.
Foucault, T. (1999). Order flow composition and trading costs in a dynamic limit order market. Journal of Financial markets2(2), 99-134.
Foucault, T., Kadan, O., & Kandel, E. (2005). Limit order book as a market for liquidity. The review of financial studies18(4), 1171-1217.
Foucault, T., & Menkveld, A. J. (2008). Competition for order flow and smart order routing systems. The Journal of Finance63(1), 119-158.
Garman, M. B. (1976). Market microstructure. Journal of financial Economics3(3), 257-275.
Glosten, L. R. (1994). Is the electronic open limit order book inevitable?. The Journal of Finance49(4), 1127-1161.
Glosten, L. R., & Milgrom, P. R. (1985). Bid, ask and transaction prices in a specialist market with heterogeneously informed traders. Journal of financial economics14(1), 71-100.
Goettler, R. L., Parlour, C. A., & Rajan, U. (2005). Equilibrium in a dynamic limit order market. The Journal of Finance60(5), 2149-2192.
Goettler, R. L., Parlour, C. A., & Rajan, U. (2009). Informed traders and limit order markets. Journal of Financial Economics93(1), 67-87.
Handa, P., & Schwartz, R. A. (1996). Limit order trading. The Journal of Finance51(5), 1835-1861.
Handa, P., Schwartz, R., & Tiwari, A. (2003). Quote setting and price formation in an order driven market. Journal of financial markets6(4), 461-489.
Hasbrouck, J. (2007). Empirical market microstructure: The institutions, economics, and econometrics of securities trading. Oxford University Press.
Hendershott, T., Jones, C. M., & Menkveld, A. J. (2011). Does algorithmic trading improve liquidity?. The Journal of Finance66(1), 1-33.
Ho, T., & Stoll, H. R. (1981). Optimal dealer pricing under transactions and return uncertainty. Journal of Financial economics9(1), 47-73.
Huang, R. D., & Stoll, H. R. (1997). The components of the bid-ask spread: A general approach. The Review of Financial Studies10(4), 995-1034.
Kavajecz, K. A. (1999). A specialist’s quoted depth and the limit order book. The Journal of Finance54(2), 747-771.
Kyle, A. S. (1985). Continuous auctions and insider trading. Econometrica: Journal of the Econometric Society, 1315-1335.
Madhavan, A. (2000). Market microstructure: A survey. Journal of financial markets3(3), 205-258.
O’hara, M. (1995). Market microstructure theory (Vol. 108). Cambridge, MA: Blackwell Publishers.
Parlour, C. A. (1998). Price dynamics in limit order markets. The Review of Financial Studies11(4), 789-816.
Parlour, C. A., & Seppi, D. J. (2003). Liquidity-based competition for order flow. The Review of Financial Studies16(2), 301-343.
Seppi, D. J. (1997). Liquidity provision with limit orders and a strategic specialist. The Review of Financial Studies10(1), 103-150.
Stoll, H. R. (1978). The supply of dealer services in securities markets. The Journal of Finance33(4), 1133-1151.
Viswanathan, S., & Wang, J. J. (2002). Market architecture: limit-order books versus dealership markets. Journal of Financial Markets5(2), 127-167.

金融高频数据计量——理论与实证(二)

本篇主要是市场微观结构的上篇,主要介绍交易制度,包括不同类型的交易、交易者和指令,对证券市场交易制度设计非常了解的朋友可以直接略过了,前面几章偏介绍性,硬菜还在后面,take time。

1. 市场参与者类型

交易者或者使用自己的账户交易,或者是代他人交易,或者是委托他人为自己交易,根据这些区别,我们将参与者分为:
自营交易员 (proprietary trader):使用自己的账户进行自营交易 (proprietary trading)
经纪人 (broker):代客户进行委托交易 (brokerage trading)
交易商 (Dealer):当其他参与者或者他们的客户想要进行交易时,作为交易对手,提供市场流动性。他们通常是做市商 (market maker) 或场内交易员 (floor trader)。很多交易者既是经纪人也是,通常被称为证券商 (broker-dealer)。

各种交易者的翻译在不同地方看到很多版本,比如很多时候 market maker 和 dealer 的界限本身就不是很清晰,我觉得也不必纠结具体的叫法,只要清晰明白即可。

通常市场的买方由投资者、对冲者和套利者构成,市场的卖方由交易商、经纪人和证券商构成,比较知名的证券商有高盛 Goldman Sachs、美林 Merrill Lynch。相比之下,国内的做市商的技术水平还有所差距,国内的做市商制度也尚未健全,只在流动性较低的“新三板”、银行间债券市场、外汇市场实行了做市商制度,在流动性较高的主板并没有采用做市商,但其实做市商除了提供流动性外,还对市场稳定性有所帮助,马永波, 郭牧炫. (2016)

交易所是交易员进行交易的平台,通常交易所只允许会员进行交易,非会员只能委托会员代理他们交易。需要注意的是,这里通过会员进行交易与会员制证券交易所并不是一个含义,会员制和公司制是交易所的两种组织形式,会员制由会员发起的非营利性组织,公司制则是交易所的主体为公司,国内除中金所为公司制外其他交易所均为会员制,而公司制是国外交易所的主要形式,也是交易所的发展趋势。

下面是一些名词释义:场内人工交易 (floor trading) 是指交易员在交易所内进行的交易 (where traders meet on exchange floors to arrange trades);电子交易 (electronic trading) 是指通过电子系统进行的交易;指令驱动系统 (order-driven system) 是指按照一定规则对买卖指令进行撮合的平台,无论 指令 是如何处理的,例如传统的交易员口头竞价,也是一种指令驱动系统;通常经纪人有自己的交易平台来处理客户的指令,ECNs (electronic communication networks) 就是其中最重要的一种,包括 Island ECN(被NASDAQ收购)、Archipelago(被NYSE收购),这些系统是经纪人自有的系统,并不受交易所监管,也被称作另类交易系统alternative trading systems),实际上是一种场外交易over the counter)。所以同其他场外交易一样,提供了更多灵活性之外也带来了监管上的风险。

2. 指令类型

指令代表了交易者想要交易的资产、时间、价格和数量。买单 (bid) 或者卖单 (ask/offer) 代表了交易者想要买入或者卖出的意愿,包括他愿意接受的价格 (买价 bid 或卖价 ask/offer) 和数量。最高的买价和最低的卖价被称为最优买价最优卖价 (best bid (ask) price / quote),或者国内通俗叫法买一价卖一价市场行情 (market quotation) 包括了买一价和卖一价,也被称作 BBO (Best Bid and Offer)。在美国全国市场系统 NMS (National Market System) 中的BBO被称为NBBO (National Best Bid and Offer)。卖一价和买一价之间的价差被称为买卖价差 (bid-ask spread)。

市价单 (market order) 是指立即按照当前市场最好的价格成交的订单指令,相应的成交价格称为成交价 (transaction price)。市价单需要承担买卖价差,如果市价单的数量较大,超过了对手价的挂单量,那么价格会继续向订单簿更深的方向移动,那么在买卖价差外,市价单还需要再承担额外的价格损失 (“price concession“)。由此造成的价格的运动被称作(瞬时市场冲击 ((instantaneous) market impact) 或者价格冲击 (price impact),会随着订单量的增加而增加,这也是除买卖价差外交易成本最主要的构成部分。由潜在市场冲击造成的交易成本和成交价格的不确定性,也被认为是为获得市场优先权的代价 (“price of immediacy“)。在有些市场中,交易者可以对价格进行协商,从而获得比当前市场价格更优的价格,显然这种价格的改善是来自于对手对价格的妥协。

限价单 (limit order) 是指按照优于或等于交易者指定的限价 (limit price) 交易的订单指令。限价单面临着执行风险,如果没人愿意按照限价作为交易对手,那么限价单就不会成交,而是被放进订单簿 (limit order book),所有未成交的限价单都会根据价格和时间的优先级被放进订单簿。离最优报价越远的位置越差,在特定时间内成交的可能性也就越小。所以为了增加成交的可能性,也就需要更aggressive的报价,使得价格离最优报价更近。与当前买一价或者卖一价相同的报价称为照市价 (at the market),相应的,比当前最优报价差(低于买一、高于卖一)的价格称为后市价(behind (in) the market, 我瞎翻的)。如果买价高于卖一或者卖价低于买一,那么指令将会立即成交,直到价格达到限价,剩余未成交的部分会自动放入订单簿。这样的指令称作可市价化限价单 (marketable limit order),相较于市价单,限制了潜在的价格冲击水平。

除了成交不确定的风险,限价单还面临着逆向选择风险 (adverse selection risk)。类比保险中的逆向选择,风险较高的人才倾向于买保险,类似的,市场下行时才会执行订单簿中的买单,市场上行时才会执行卖单。

止损单 (stop order) 是指当价格达到指定水平后自动买入或卖出的订单指令。以卖出为例,止损单防止了价格继续下跌造成的亏损,所以又称作为 stop loss order。所以与限价单相反的是,止损单只有在价格运动到特定(较差)水平时才会激活,而限价单只会在优于限价的价格水平上成交。结合两者,限价止损单 (stop limit order) 由止损价格确定在什么价格水平激活指令,由限价决定在什么价格水平限价成交。

触及市价单 (market-if-touched order) 是指当市场价格达到触及价格 (touch price) 的水平时激活一个市价单的订单指令。止损单在价格上涨(下跌)到一定水平时买入(卖出),而触及市价单恰恰相反,在价格上涨(下跌)到一定水平卖出(买入)。止损单与价格的运动方向相同,为价格运动提供了动量,而触及市价单则逆势而为。

限价单常常通过限定不同的变量来组合出新的指令形式,比如限定指令有效时间和在特定情况下自动撤销。例如,FOK (fill-or-kill order),如果不能被立刻全部满足,那么就会取消,AON (all-or-none),只有在能被全部满足的情况下才会执行。还有一些其他类型的订单,详见 Harris (2003)

现在在越来越多的市场中,交易者可将指令部分甚至全部隐藏。一个常见的指令类型即冰山订单/保留订单 (iceberg order / reserve order),只有指定部分的指令是在订单簿可见的。此类订单可以用于隐藏交易策略、降低逆向选择风险。最小可见数量通常由交易所规定,不同交易所的规定也有所不同,如NASDAQ等一些交易所是允许完全隐藏指令的。Hautsch and Huang (2011) 基于NASDAQ的实证数据显示,在买卖价差中设置完全隐藏订单会造成大量的交易活动,因为交易者会大量提交试探订单 (“fleeting limit orders”) 探测隐藏订单。这一交易策略也被称为猎物交易算法,详见丁鹏 (2016)

每个交易所对指令类型都会有不同规定,除了基础的限价单与市价单外,每所交易所的指令类型不尽相同。如上海证券交易所并不支持除限价单、市价单外的所有指令类型,上海、大连和郑州三大商品期货交易所也不支持止损单,只能通过一些软件来模拟。我们应该在交易前仔细阅读相应交易所的规则。

3. 市场结构

市场结构决定了哪些人能交易,什么资产可以交易,什么时间可以交易以及怎么交易。我们一般区分连续交易 (continuous trading) 和集合竞价 (call markets, 集合竞价的翻译应该是call auction, 但是这里翻译成集合竞价应该是最合适的)。集合竞价通常是在连续交易之前,用于产生开盘价,也可以用于结束一个连续交易阶段,或者在盘中暂停或者重启一个连续交易阶段。在一些市场,集合竞价也被用于一些流动性较低的资产交易。市场形式最重要的区别是执行系统 (execution system),根据执行系统的不同,可以将市场分为三大类:

报价驱动市场 (Quote-Driven Dealer Markets):在报价驱动市场中,交易者只能与交易商 (dealer) 进行交易。交易商报出买价和卖价,作为交易对手,为市场提供流动性,交易商之间经常进行交易。在一个 pure 报价驱动市场中,交易者或者交易者的经纪人必须通过交易商进行交易,即使有其他交易者可以配对交易,交易商从买卖价差中获利。也有一些 not pure 报价驱动市场,当两个交易者可以配对交易时,不必通过交易商可以直接进行交易,NASDAQ就是其中之一。

交易商通常只服务特定的一部分客户,只为特定客户服务的原因除了信用风险外,也避免了为更厉害 (better informed) 的对手提供流动性。不在交易商服务范围内的交易者只能通过经纪人进行交易,经纪人也为交易者提供了担保。还有一种交易商间经纪人 (Interdealer broker) 是作为交易商的经纪人,这样可以让交易商匿名报价而不被其他交易商注意到。

报价驱动市场在债券、外汇和股票市场中很流行,除了NASDAQ外,伦敦证券交易所 (London Stock Exchange) 也是报价驱动。

指令驱动市场 (Order-Driven Dealer Markets): 交易者可以直接与其他交易者按照一定规则进行交易,而不必通过交易商作为中介。指令优先级规则 (order precedence rule) 决定了买方和卖方,交易价格规则 (trade price rule) 决定了交易价格。市场的流动性由对手交易者或者交易商作为交易者提供。在一些指令驱动市场中,大部分的流动性依然是由交易商提供的,与报价驱动市场的区别是,交易商是无法选择交易对手的,只要对方接受交易商的报价,交易商就必须成交。

指令驱动市场大都是竞价市场 (auction markets),竞价的过程也就是价格发现过程 (price discovery process):买方寻找最低的买价,卖方寻找最高的卖价。在交易所进行口头竞价,面对面协商交易,这样的市场称为公开喊价市场 (open outcry markets)。使用电子交易系统的指令驱动市场会采用基于规则的指令匹配 (rule-based order matching)。

还有一种叫交叉网络 (crossing network),这个国内的文献介绍较少,文中介绍的也不是很清楚,Degryse (2009) 对交叉网络做了一个简介和其对应的交易策略。交叉网络中的交易者的指令并没有进入公开竞价,他们的指令按照一定的规则成交,成交价格会参照另外的一个市场,这个价格叫做交叉价格 (crossing price)。交叉价格可以是收盘价、可以是一段时间的平均价格等等。这样做的好处是,交叉网络中的大宗交易不会像直接在市场中下单市场冲击那么大。

与报价驱动市场相比,指令驱动市场是根据规则匹配交易,交易者并不能选择交易对手,交易对手直接也没有直接的信用关系,所以为了保证正常的交割,指令驱动市场必须采用完善的清算机制。

经纪人市场 (Brokered Markets): 类似于房产中介,经纪人需要去寻找流动性,匹配买家和卖家。我们将交易者分为隐藏交易者 (concealed trader) 和潜在交易者 (latent trader),隐藏交易者有交易意愿,但是为了隐藏交易策略并不会公开报价,当经纪人提供合适报价后他们会进行交易;潜在交易者并没有具体的交易意愿,当经纪人提供有吸引力的机会时,他们也会愿意交易。成功的经纪人就需要在市场中找到这两种人。

4. 指令优先级和价格规则

在口头竞价中指令优先级规则由价格优先 (price priority) 和时间优先 (time precedence) 两条。根据价格优先规则,提供最优价格交易者享有优先权,交易者不允许同次优价格成交;根据时间优先规则,第一个改善现有最优报价的人享有优先权。然而,时间优先权只有在最小价格变动 (minimum tick size) 不是很小的时候才有用,否则交易者可以不断地改善最优报价,这样时间优先权基本不起作用。在口头竞价中,价格优先是自然而然的,交易员总是会首先同最优的价格成交,但是时间优先就没什么作用,因为对交易员来说报价的先后并没有什么区别。

大多数交易所和电子交易平台采用基于规则的指令匹配系统,在系统中,交易通常是匿名的、去中心化的,交易者通过电子系统提交、撤销和修改指令,指令的匹配按照一定的规则自动化完成。所有的系统都是以价格优先作为首要优先级,次要优先级一般是时间。一些交易所会使用可见性优先级 (display precedence) 为可见指令赋予更高优先级,隐藏订单较低优先级;数量有限级 (size precedence) 为挂单量较大或者较小的指令赋予较高优先级。还有按比例匹配 (prorata matching),高级优先级相同时,按照订单量等比例分配成交。

单一价格竞价 (single-price auction) 中,会将所有的竞价排序,将最高的买价和最低的卖价进行匹配,如果买价高于卖价,那么匹配成功。如果双方的订单大小相同,那么两个指令都会被完全执行,否则,未满足的部分会继续同另一方的下一顺位价格匹配,这个过程直至完成所有可能的匹配。最后一个匹配的价格被称为市场出清价 (market-clearing price) 。在单一价格竞价中,所有的交易都以市场出清价结算。

单一价格竞价的市场出清价是需求和供给匹配的价格,所有低于市场出清价的需求都是超额需求,高于市场出清价的供给都是超额供给。用市场出清价去匹配订单,可以使得市场上成交量最大化,也可以使得交易者的总体收益最大。

在口头竞价或者基于规则的连续指令匹配系统中,价格规则为差别定价规则 (discriminatory price rule)。根据这一规则,每一个交易都按照交易者接受的买价或者卖价结算。与单一价格竞价相反,每一笔交易的价格都是“不同”的,而单一价格竞价所有成交价都是市场出清价。在连续竞价市场中,这样的过程是由一个订单簿来维护的,当新的指令到达时,订单簿会自动更新,新的指令会根据指令优先级规则放入订单簿。如果新的指令可市价化(也就是买价高于卖一,卖价低于买一),那么指令会与当前最优价格的挂单成交,根据差别定价规则,当前最优价格的挂单限价决定了这一成交的结算价。相应的,数量较大的指令会按照订单簿walk up或者walk down,逐个按照其限价成交。如果按照统一定价的规则,所有的这些订单都会按照差别定价中最差的价格成交。所以想要快速成交的大宗交易者更喜欢差别定价,而流动性提供者更喜欢统一定价。

同指令类型一样,不同的交易所有不同的规定,这些都是在交易前需要认真阅读的。

5. 交易所简介

这一部分我们会对几个交易所进行介绍,原书中 Hautsch (2011) 介绍了美国两个最重要的交易所纽交所NYSE (New York Stock Exchange)、纳斯达克 NASDAQ (National Association of Securities Dealers Automated Quotations)和法兰克福证券交易所 (Frankfurt Stock Exchange)使用的XETRA,以及澳大利亚证券交易所 ASX (Australian Stock Exchange)。这里略去后面两个,增加上海证券交易所作为补充。

NYSE:纽交所采用的是一个混合的交易系统,以指令驱动为主,也包括了报价驱动和经纪人。纽交所1792年成立,成立之初是一个指令驱动的公开喊价市场,在历史上一直是美国最主要的证券交易平台。后来交易商市场被整合进来, 做市商需要提供报价以满足流动性的监管,在必要的时候作为交易对手。纽交所的做市商制度为垄断型做市商,也就是每支股票有且仅有一个做市商,这与下面要介绍的纳斯达克的多做市商制度有所不同。纽交所的正常交易时间是早9点半到晚16点,中午不休市。收盘时需要做市商参与,从而使得收盘过程中价格相对平稳,相应的收盘规则是比较复杂的。2000年纽交所引入了电子交易系统Direct+,与交易商系统并行。同时为了应对 ECN 的竞争,纽交所进行了一系列的并购,其中就包括 Archipelago,并购后产生了NYSE Arca。

NASDAQ:纳斯达克的全称是全美证券协会自动报价系统,1971年由全美证券协会成立。历史上纳斯达克主要是以交易商市场的形式,通过电子系统连接了地理上分散的交易商。早期的纳斯达克市场对于投资者保护并不健全,一些交易制度的设置使得买卖价差较大,1994年美国证券交易委员会SEC的一系列调查和法案的颁布,促使了纳斯达克的改革,使得买卖价差显著减小。其后,纳斯达克又建立电子系统 SuperMontage , 经过一系列的并购和接管,纳斯达克现在是美国最大的电子证券交易市场。

上海证券交易所:1990年底在上海成立,也是我(新中)国第一家证券交易所。 吴晓波. (2007) 对上交所的成立的历史做了一个介绍,1990年全上海可以作为会员的证券公司只有3家,比较成型的股份制企业只有11家,够上市资格的则只有6只。资本市场建立之初的普遍情况是,国企濒临倒闭,所以拿去上市。中国的资本市场发展较晚,也经历了很多疯狂的时期,比如著名的“327国债”,还有叱咤一时的吕梁(吕梁新婚之日,操盘手为了给他一个新婚礼物,当天收盘价“恰好”停在了72.88,这是2000年的事情),这些事情对于年纪稍长一些的投资者,可能都并不陌生。但我们应该看到中国资本市场起步较晚,再加上本身的政治体制,同西方自由经济制度下上百年发展的资本市场相比,年龄上算是个婴儿,发展速度上已经是个少年了。以这一角度看,我们应该以更好的心态看待国内的资本市场。关于上交所的交易制度,我就不做赘述了,可以参考上交所的官方网站。也插一句题外话,推荐吴晓波的《激荡三十年》,这本书是我读过的最好的中国现代企业史。

这一篇涉及了大量的名词释义,有些在中文文献中并不常见,翻译的可能并不准确,比如文中 order 一些地方 翻译为“订单”,一些地方翻译为“指令”,我会力求准确,重要名词第一次出现的地方,我都附上了英文原文,如果有更好的修改意见,欢迎告诉我!


Reference:

Degryse, H., Van Achter, M., & Wuyts, G. (2009). Dynamic order submission strategies with competition between a dealer market and a crossing network. Journal of Financial Economics91(3), 319-338.
Harris, L. (2003). Trading and exchanges: Market microstructure for practitioners. OUP USA.
Hautsch, N. (2011). Econometrics of financial high-frequency data. Springer Science & Business Media.
Hautsch, N., & Huang, R. (2012). On the dark side of the market: identifying and analyzing hidden order placements. Available at SSRN 2004231.
丁鹏. (2016). 量化投资: 策略与技术. 电子工业出版社.
马永波, 郭牧炫. (2016). 做市商制度, 双边价差与市场稳定性——基于银行间债券市场做市行为的研究. 金融研究, (4), 50-65.
吴晓波. (2007). 激荡三十年. 上, 北京, 中信出版社.
做市商制度. MBA智库. Retrieved from https://wiki.mbalib.com/w/index.php?title=做市商制度&oldid=1290959

金融高频数据计量——理论与实证(一)

本系列以 Hautsch, N. (2011). Econometrics of financial high-frequency data. Springer Science & Business Media 为主要参考资料,作为本系列第一篇,主要介绍一下背景和概要。

这一系列同我其他技术文章的初衷一样,也是一是希望加深自己的学习,记录下研究的过程,二是希望对大家的学习有所帮助。形式上以翻译原著为主,但不求逐字逐句,同时会补充一些其他资料,最新的数据和一些我的个人见解。比如实证部分, 我会以中文读者比较关心的中国、香港和美国资本市场为例,并且将用到R的代码开源到 GitHub 上,并在最后打包发布(如果不烂尾的话 : – ))。但限于本人水平,错误难免,文中还可能会时不时的出现英文单词,其本意并非我想掉个洋书袋,而恰恰是我英文水平有限,没办法简洁而准确地翻译出来,我会尽量避免,欢迎大家指正和交流。
是一次非常偶然的机会, 宋斌教授推荐了《Econometrics of Financial High-Frequency Data》这本书给我,她作为中央财经大学投资系系主任,量化投资和高频交易也是她的研究方向之一,我自然是会对这本书特别关照,所以也就有了这个系列的文章,在此也很感谢宋老师的指导!
关于版权问题,我的文章欢迎转载,注明出处即可。但是我并没有版权方的相关授权,而且理论部分的很多篇幅会直接引用或译自书中,我不太清楚是否会造成侵权,如有侵权,请联系我,我会及时删除相关内容,希望大家购买正版书籍
以上算是前言、致谢和Copyleft的声明,下面进入正文。

交易系统的技术不断发展, 高频数据记录不断完善,以及日内交易的流行、订单执行优化等问题催生了高频计量的发展。由于高频交易创造的稳定和丰厚的利润,很多机构都开始使用高频交易,根据 Lati, R. (2009) 的数据,2009年,在美国20,000支基金中只占2%的高频基金贡献了市场73%的交易量!学术界和产业界主要关注的问题之一 就是,高频粒度的市场结构和交易过程一直在不断变化。这是由于电子交易平台的发展使得交易量、交易速度不断提升,投资者采用各种各样的交易策略、订单管理策略,以及各种策略之间的相互竞争作用、不同交易所的规则等等,这些都对高频计量的建模造成了很大的挑战。通过对交易数据和订单数据的建模,我们可以分析交易所规则对交易的影响,对交易量、波动率、订单簿深度等进行预测,寻找最优下单策略、减少市场冲击和交易成本,评估流动性和价格等风险,统计资产和市场的相关性。

区别于一般计量和统计模型的是,高频数据是不规则地分布于时间轴上,在传统计量模型上时序分析的经典理论 Box (2015), 何书元 (2003), Hamilton (1995),都是建立在采样点是均匀分布于时间轴这一假设之上,时间间隔作为trivial变量被忽略了。但实际上,市场事件(订单、交易等等)发生的间隔时间不仅携带信息而且十分重要,它可以作为市场活跃程度的度量并会影响交易价格和交易量。将这一时间特征考虑进去就是点过程Point Process),它不仅刻画了事件在时间轴上随机出现的性质,也包含了事件本身的特征、历史数据等相互之间关系。2003年诺贝尔经济学奖获得者 Robert F. Engle 在1996年首次提出了点过程的在计量模型中的重要性,他的论文 Engle (2000) 也被认为是高频计量快速发展的开端。

除此之外,价格、交易量、买卖价差等很多数据都是离散的,而非连续的。同时,大部分数据都是正值,数据之间常常是持续正相关 (positively autocorrelated, strongly persistent),在同一天表现出不同的周期性。还有就是交易过程、订单过程都是高维和复杂的动态结构。所有这些,都要求我们在传统计量基础上发展新的理论与实证方法。

本书也即本系列的文章的主要目的是对最新和最重要的高频计量方法做一个介绍,包括对市场微观结构的分析,对波动率、流动性等建模及其实现。要对高频数据进行建模,很重要的一点是要准确地刻画数据的动态特征,所以自回归条件均值 (autoregressive conditional mean) 模型会起到很大作用,其背后的思想就是将条件均值作为自回归模型。在此基础上又衍生出了MEMs (multiplicative error models) 一类模型,用于刻画交易间间隔的 ACD (autoregressive conditional duration) 模型,用于刻画计数数据的 ACP (autoregressive conditional poisson) 模型等等。这些模型都可以用于刻画高频数据的非线性动态特征、持久依赖 (long range dependence),也可以扩展到多元模型。高频计量的方法论的核心是(随机)密度函数的动态模型,这也是点过程的核心,其含义是在给定历史数据和观测变量的条件下,事件发生的频率,可以通俗地理解为条件概率。为了对高维的交易和订单的动态过程进行降维,基于因子的建模方式也十分重要。以上这些模型、应用和实证数据都会在接下来一一展开。

祝福我不要鸽!


Reference:
Box, G. E., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time series analysis: forecasting and control. John Wiley & Sons.
Engle, R. F. (2000). The econometrics of ultra‐high‐frequency data. Econometrica, 68(1), 1-22.
Hamilton, J. D. (1995). Time series analysis. Economic Theory. II, Princeton University Press, USA, 625-630.
Hautsch, N. (2011). Econometrics of financial high-frequency data. Springer Science & Business Media.
Lati, R. (2009). The real story of trading software espionage. Advanced Trading.
何书元. (2003). 应用时间序列分析. 北京大学出版社.