Vysokofrekvenční data - High frequency data

„Obchodní údaje“ se zde přesměrovávají. Pro praxi, která využívá tato data, viz Vysokofrekvenční obchodování.
Úroveň vysokofrekvenčního rozsahu viz Vysoká frekvence.

Vysokofrekvenční data odkazuje na data časových řad shromážděny v extrémně jemném měřítku. V důsledku pokročilého výpočetního výkonu v posledních desetiletích lze vysokofrekvenční data přesně sbírat účinnou rychlostí pro analýzu.[1] Většinou se používá ve finanční analýze a v vysokofrekvenční obchodování, poskytuje vysokofrekvenční data intraday pozorování, která lze použít k pochopení tržního chování, dynamiky a mikrostruktur.[2]

Vysokofrekvenční sběr dat byl původně formulován hromaděním údajů o trhu tick-by-tick, podle nichž je každá jednotlivá „událost“ (transakce, nabídka, pohyb ceny atd.) Charakterizována „tickem“ nebo jednou logickou jednotkou informací. Vzhledem k velkému množství klíšťat za jediný den vysokofrekvenční sběr dat obvykle obsahuje velké množství dat, což umožňuje vysokou statistickou přesnost.[3] Vysokofrekvenční pozorování během jednoho dne likvidního trhu se mohou rovnat množství denních údajů shromážděných za 30 let.[3]

Použití

Data shromážděná na vysokých frekvencích informují a aktualizují statistiky zásob v reálném čase

Z důvodu zavedení elektronických forem obchodování a Internet - poskytovatelé dat na základě dat, vysokofrekvenční data se stala mnohem dostupnějšími a mohou člověku umožnit sledovat tvorbu cen v reálném čase. To vyústilo ve velkou novou oblast výzkumu v oblasti vysokofrekvenčních dat, kde akademici a vědci využívají charakteristiky vysokofrekvenčních dat k vývoji adekvátních modelů pro předpovídání budoucích pohybů trhu a rizik.[3] Modelové předpovědi pokrývají širokou škálu tržního chování včetně objem, volatilita, pohyb cen a optimalizace umístění.[4]

O údaje o transakcích i nadále existuje zájem regulačních agentur i akademické obce kniha limitních objednávek data, z nichž lze pomocí vysokofrekvenčních datových modelů hodnotit větší dopady na obchod a tržní chování, jakož i tržní výsledky a dynamiku. Regulační agentury se o tyto modely velmi zajímají kvůli skutečnosti, že riziko likvidity a ceny není plně pochopeno z hlediska novějších forem automatizovaných obchodních aplikací.[4]

Vysokofrekvenční datové studie obsahují hodnotu v jejich schopnosti sledovat nepravidelné aktivity na trhu po určitou dobu. Tyto informace umožňují lepší pochopení cenové a obchodní aktivity a chování. Vzhledem k důležitosti načasování tržních událostí vyžadují vysokofrekvenční data analýzu pomocí bodové procesy, které závisí na pozorováních a historii, aby charakterizovaly náhodné výskyty událostí.[4] Toto porozumění bylo poprvé vyvinuto v roce 2003 nositelem Nobelovy ceny za ekonomii Robert Fry Engle III, který se specializuje na vývoj finanční ekonometrická analytické metody využívající finanční data a bodové procesy.[4]

Vysokofrekvenční datové formuláře

Vysokofrekvenční data se používají především ve finančním výzkumu a akciový trh analýza. Kdykoli se zpracovává obchod, nabídka nebo elektronická objednávka, jsou související údaje shromažďovány a zadávány do a časové řady formát. Jako taková jsou vysokofrekvenční data často označována jako transakční data.[4]

Existuje pět širokých úrovní vysokofrekvenčních dat, která se získávají a používají při průzkumu a analýze trhu:

Obchodní údaje

Jednotlivé obchodní údaje shromážděné v určitém intervalu v časové řadě.[4] Existují dvě hlavní proměnné, které popisují jeden bod obchodních údajů: čas transakce a vektor známý jako „značka“, který charakterizuje podrobnosti transakční události.[5]

Údaje o obchodu a nabídce

Data shromažďují podrobnosti o obchodech i nabídkách, včetně cenových změn a směru, časových razítek a objemu. Tyto informace lze najít na TAQ (Obchod a nabídka ) databáze provozovaná NYSE.[4] Pokud obchodní údaje podrobně popisují samotnou výměnu transakce, uveďte podrobnosti údajů o optimálních obchodních podmínkách pro danou výměnu. Tyto informace mohou naznačovat zastavení výměn a úvodních i závěrečných nabídek.[6]

Data knihy objednávek na pevné úrovni

Pomocí systémů, které byly zcela počítačové, lze hloubku trhu posoudit pomocí omezit objednávku činnosti, které se vyskytují na pozadí daného trhu.[4]

Zprávy o všech aktivitách s omezením objednávky

Tato datová úroveň zobrazuje veškeré okolní informace omezit objednávku činnosti a může vytvořit reprodukci obchodní tok kdykoli pomocí informací o časových razítcích, zrušeních a identifikaci kupujícího / prodejce.[4]

Údaje o snímcích knihy objednávek

Lze zaznamenávat snímky aktivit knihy objednávek stejně vzdálený založené mřížky, aby se omezila potřeba reprodukovat knihu objednávek. To však omezuje schopnost obchodní analýzy, a je proto užitečnější pro pochopení dynamiky než pro interakci knih a obchodování.[4]

Vlastnosti ve finanční analýze

Ve finanční analýze lze vysokofrekvenční data organizovat v různých časových měřítcích od minut po roky.[3] Jelikož vysokofrekvenční data přicházejí v převážně disagregované formě v průběhu časové řady ve srovnání s metodami sběru dat s nižší frekvencí, obsahují různé jedinečné vlastnosti, které mění způsob, jakým jsou data chápána a analyzována. Robert Fry Engle III kategorizuje tyto odlišné charakteristiky jako nepravidelný časový odstup, diskrétnost, denní vzorce a časová závislost.[7]

Vysokofrekvenční data vynesená v čase do indexového grafu FTSE 100

Nepravidelný časový odstup

Vysokofrekvenční data využívají shromažďování velkého množství dat v časové řadě a jako taková má frekvence sběru jednotlivých dat tendenci být v průběhu času rozložena v nepravidelných vzorcích. To je obzvláště jasné v analýze finančního trhu, kde mohou transakce probíhat postupně nebo po delší době nečinnosti.[7]

Diskrétnost

Vysokofrekvenční data z velké části zahrnují ceny a transakce, jejichž institucionální pravidla zabraňují drastickému růstu nebo pádu během krátké doby. To má za následek změny dat na základě míry jednoho klíště.[7] Tato snížená schopnost fluktuace činí data při jejich použití diskrétnějšími, například na burze cenných papírů, kde populární akcie mají tendenci zůstat do 5 tiků pohybu. Vzhledem k úrovni diskrétnosti vysokofrekvenčních dat má tendenci být vysoká úroveň špičatost přítomný v sadě.[7]

Denní vzory

Analýza, kterou poprvé provedli Engle a Russel v roce 1998, uvádí, že vysokofrekvenční data následují a denní vzor, přičemž doba mezi obchody je nejmenší na otevřeném a zavřeném trhu. Některé zahraniční trhy, které fungují 24 hodin denně, stále vykazují denní vzorce založené na denní době.[7]

Časová závislost

Vzhledem k diskrétnosti cen jsou údaje o vysoké frekvenci časově závislé. Rozpětí vynucené malými rozdíly v nákupních a prodejních cenách vytváří trend, který tlačí cenu konkrétním směrem. Podobně se doba trvání a transakční sazby mezi obchody mají tendenci shlukovat, což značí závislost na časových změnách ceny.[7]

Údaje o velmi vysoké frekvenci

V pozorování poznamenal Robert Fry Engle III, dostupnost vyšších frekvencí dat v průběhu času podněcovala k pohybu z let, na měsíce, do intraday sbírky finančních údajů. Tento pohyb však není nekonečný při přechodu na vyšší frekvence, ale čelí limitu, když jsou nakonec zaznamenány všechny transakce.[5] Engle vytvořil tuto mezní úroveň frekvence jako ultravysokofrekvenční data. Vynikající kvalitou této maximální frekvence jsou extrémně nepravidelně rozmístěná data, kvůli velkému rozpětí času, které ukládá disagregovaná sbírka.[5] Spíše než přerušovat sekvenci ultravysokofrekvenčních dat podle časových intervalů, což by v zásadě způsobilo ztrátu dat a způsobilo by nižší frekvenci sady, metody a modely, jako je autoregresní podmíněný model trvání lze použít ke zvážení různých čekacích dob mezi sběrem dat.[5] Efektivní zpracování ultravysokofrekvenčních dat lze použít ke zvýšení přesnosti ekonometrických analýz. Toho lze dosáhnout dvěma procesy: čištěním a správou dat.[6]

Čištění dat

Hlavní článek: Čištění dat

Čištění datnebo čištění dat, je proces využívající algoritmické funkce k odstranění nepotřebných, irelevantních a nesprávných dat z vysokofrekvenčních datových sad.[6] Analýza ultravysokofrekvenčních dat vyžaduje čistý vzorek záznamů, aby byla užitečná pro studium. Jak se zvyšují rychlosti v ultravysokofrekvenčním sběru, bude pravděpodobně ve sběru identifikováno více chyb a irelevantních dat.[6] Chyby, které se vyskytnou, lze připsat lidská chyba, jak úmyslné (např. „fiktivní“ uvozovky), tak neúmyslné (např. chyba při psaní ) nebo chyba počítače, ke které dochází při technických poruchách.[8]

Správa dat

Obecnou praxi správy dat najdete v části Správa dat.

Správa dat odkazuje na proces výběru konkrétní časové řady zájmu v rámci souboru ultravysokofrekvenčních dat, která mají být vytažena a uspořádána pro účely analýzy. Mohou být hlášeny různé transakce současně a na různých cenových úrovních a ekonometrické modely obecně vyžadují jedno pozorování u každého časového razítka, což vyžaduje určitou formu agregace dat pro správnou analýzu.[6] Úsilí o správu dat může být efektivní k nápravě ultravysokofrekvenčních datových charakteristik, včetně nepravidelného rozestupu, odrazu nabídky a poptávky a otevření a uzavření trhu.[6]

Alternativní použití mimo finanční obchodování

Studie zveřejněná v Sladkovodní biologie časopis zaměřený na epizodické povětrnostní vlivy na jezera zdůrazňuje použití vysokofrekvenčních dat k dalšímu porozumění meteorologické řidiči a důsledky „událostí“ nebo náhlých změn fyzikálních, chemických a biologických parametrů jezera.[9] Vzhledem k pokroku v technologii sběru dat a lidských sítích spolu s umístěním vysokofrekvenčních monitorovacích stanic u různých typů jezer lze tyto události efektivněji prozkoumat. Použití vysokofrekvenčních dat v těchto studiích je považováno za důležitý faktor umožňující analýzy rychle se vyskytujících změn počasí na jezerech, jako je rychlost větru a srážky, lepší porozumění kapacitám jezer pro zvládnutí událostí v důsledku rostoucí závažnosti bouře a klimatická změna.[9]

Vysokofrekvenční data byla shledána užitečnými při predikci inflace. Studie od Michele Mondugno v International Journal of Forecasting naznačuje, že použití denních a měsíčních dat s vysokou frekvencí obecně zlepšilo přesnost předpovědi celkem CPI inflace ve Spojených státech.[10] Studie využila srovnání modelů s nižší frekvencí s modelem, který zohledňoval všechny proměnné s vysokou frekvencí. Nakonec bylo zjištěno, že vyšší přesnost vysoce volatilní dopravní a energetické složky cen ve vysokofrekvenčním modelu inflace vedla k vyššímu výkonu a přesnějším výsledkům.[10]

Použití poločas rozpadu odhad vyhodnotit rychlosti průměrná reverze v ekonomických a finančních proměnných čelil problémům, pokud jde o odběr vzorků, protože poločas asi 13,53 let by vyžadoval 147 let ročních údajů podle raných Procesní modely AR.[11] Výsledkem je, že někteří vědci využili vysokofrekvenční data k odhadu ročních dat poločasu. Zatímco použití vysokofrekvenčních dat může čelit určitým omezením při objevování skutečného poločasu, zejména prostřednictvím zaujatost odhadce, využívající vysokou frekvenci ARMA model bylo zjištěno, že důsledně a efektivně odhaduje poločas s dlouhými ročními daty.[11]

Viz také

Reference

  1. ^ Ruey S. Tsay (2000) Úvod editora do panelové diskuse o analýze vysokofrekvenčních dat, Journal of Business & Economic Statistics, 18:2, 139-139, doi:10.1080/07350015.2000.10524855
  2. ^ Andersen, T. G. (2000). Některé úvahy o analýze vysokofrekvenčních dat. Journal of Business & Economic Statistics, 18(2), 146-153. doi:10.1080/07350015.2000.10524857
  3. ^ A b C d Dacorogna, M. M. (2001). Úvod do vysokofrekvenčního financování. San Diego: Academic Press.
  4. ^ A b C d E F G h i j Hautsch, N., & SpringerLink (služba online). (2012; 2011;). Ekonometrie finančních vysokofrekvenčních dat (2012. ed.). Heidelberg; Berlín ;: Springer. doi:10.1007/978-3-642-21925-2
  5. ^ A b C d Engle, R. F. (2000). Ekonometrie ultravysokofrekvenčních dat. Econometrica, 68(1), 1-22. doi:10.1111/1468-0262.00091
  6. ^ A b C d E F Brownlees, C. T., a Gallo, G. M. (2006). Finanční ekonometrická analýza na velmi vysoké frekvenci: obavy ohledně zpracování dat. Výpočetní statistika a analýza dat, 51 (4), 2232-2245. doi:10.1016 / j.csda.2006.09.030
  7. ^ A b C d E F R. Russell, Jeffrey & F. Engle, Robert. (2010). Analýza vysokofrekvenčních dat. Příručka finanční ekonometrie, svazek 1. 383-426. 10.1016 / B978-0-444-50897-3.50010-9.
  8. ^ Verousis, T. a Ap Gwilym, O. (2010). Vylepšený algoritmus pro čištění ultravysokofrekvenčních dat. Journal of Derivatives & Hedge Funds, 15(4), 323-340. doi:10.1057 / jdhf.2009.16
  9. ^ A b JENNINGS, E., JONES, S., ARVOLA, L., STAEHR, P. A., GAISER, E., JONES, I. D., Teknisk-naturvetenskapliga vetenskapsområdet. (2012). Účinky epizodických událostí souvisejících s počasím v jezerech: Analýza založená na vysokofrekvenčních datech. Sladkovodní biologie, 57(3), 589-601. doi:10.1111 / j.1365-2427.2011.02729.x
  10. ^ A b Modugno, M. (2013). Nyní vyvolává inflaci pomocí vysokofrekvenčních dat. International Journal of Forecasting, 29(4), 664-675. doi:10.1016 / j.ijforecast.2012.12.003
  11. ^ A b Huang, M., Liao, S., & Lin, K. (2015). Rozšířený odhad poločasu na základě vysokofrekvenčních dat. Journal of Forecasting, 34(7), 523-532. doi:10,1002 / za 2342