Высокочастотные данные - High frequency data

Высокочастотные данные относится к данные временного ряда собраны в очень мелком масштабе. В результате передовых вычислительных мощностей в последние десятилетия высокочастотные данные могут быть собраны с высокой точностью для анализа.^[1] Широко используется в финансовом анализе и высокочастотная торговля, высокочастотные данные обеспечивают внутридневной наблюдения, которые можно использовать для понимания поведения, динамики и микроструктур рынка.^[2]

Сборы высокочастотных данных изначально были сформированы путем группирования рыночных данных по тикам, при которых каждое отдельное «событие» (транзакция, котировка, движение цены и т. Д.) Характеризуется «тиком» или одной логической единицей информации. Из-за большого количества тиков за один день высокочастотные сборы данных обычно содержат большой объем данных, что обеспечивает высокую статистическую точность.^[3] Высокочастотные наблюдения в течение одного дня на ликвидном рынке могут равняться количеству ежедневных данных, собранных за 30 лет.^[3]

Использовать

Данные, собираемые с высокой частотой, информируют и обновляют статистику запасов в режиме реального времени

За счет внедрения электронных форм торгов и Интернет На основе поставщиков данных высокочастотные данные стали намного доступнее и позволяют 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 и рисков рынка.^[3] Прогнозы модели охватывают широкий спектр рыночного поведения, включая объем, непостоянство, движение цены и оптимизация размещения.^[4]

Как регулирующие органы, так и научные круги проявляют постоянный интерес к данным о транзакциях и книга лимитных заказов данные, из которых более значимые последствия торговли и поведения рынка, а также рыночные результаты и динамика могут быть оценены с использованием высокочастотных моделей данных. Регулирующие органы проявляют большой интерес к этим моделям из-за того, что риски ликвидности и цен не полностью осознаются с точки зрения новых форм приложений для автоматической торговли.^[4]

Ценность высокочастотных исследований данных заключается в их способности отслеживать нерегулярную рыночную деятельность в течение определенного периода времени. Эта информация позволяет лучше понять цену, торговую активность и поведение. Из-за важности сроков рыночных событий, высокочастотные данные требуют анализа с использованием точечные процессы, которые зависят от наблюдений и истории, чтобы характеризовать случайные события.^[4] Это понимание впервые разработал лауреат Нобелевской премии по экономике 2003 г. Роберт Фрай Энгл III, который специализируется на разработке финансовая эконометрика методы анализа с использованием финансовых данных и точечных процессов.^[4]

Формы данных с высокой частотой

Данные с высокой частотой в основном используются в финансовых исследованиях и фондовый рынок анализ. Всякий раз, когда обрабатывается сделка, котировка или электронный заказ, соответствующие данные собираются и вводятся в Временные ряды формат. Таким образом, высокочастотные данные часто называют данными транзакции.^[4]

Существует пять широких уровней высокочастотных данных, которые собираются и используются при исследовании и анализе рынка:

Торговые данные

Индивидуальные торговые данные, собранные с определенным интервалом во временном ряду.^[4] Есть две основные переменные для описания одной точки торговых данных: время транзакции и вектор, известный как «метка», который характеризует детали события транзакции.^[5]

Данные о сделках и котировках

Собранные данные содержат подробную информацию как о сделках, так и о котировках, включая изменения и направление цен, отметки времени и объем. Такую информацию можно найти в TAQ (Торговля и котировка ) база данных, управляемая NYSE.^[4] Если в торговых данных подробно описан обмен самой транзакции, в данных котировок указаны оптимальные торговые условия для данной биржи. Эта информация может указывать на остановки бирж, а также котировки открытия и закрытия.^[6]

Данные книги заказов с фиксированным уровнем

Используя полностью компьютеризированные системы, глубину рынка можно оценить с помощью лимитный ордер деятельность, которая происходит на заднем плане данного рынка.^[4]

Сообщения обо всех действиях по лимитным ордерам

Этот уровень данных отображает полную информацию о лимитный ордер деятельности, и может создать воспроизведение торговый поток в любой момент времени с использованием информации о отметках времени, отменах и идентификации покупателя / продавца.^[4]

Данные о снимках книги заказов

Снимки деятельности книги заказов могут быть записаны на равноудаленный на основе сеток, чтобы ограничить необходимость воспроизведения книги заказов. Однако это ограничивает возможности торгового анализа и поэтому более полезно для понимания динамики, чем взаимодействия книги и торговли.^[4]

Недвижимость в финансовом анализе

В финансовом анализе часто встречающиеся данные могут быть организованы в различных временных масштабах от минут до лет.^[3] Поскольку высокочастотные данные поступают в значительной степени в дезагрегированной форме по временным рядам по сравнению с более 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 нерегулярные временные интервалы, дискретность, суточные закономерности и временную зависимость.^[7]

Высокочастотные данные, отображаемые во времени на графике индекса FTSE 100

Нерегулярный временной интервал

Высокочастотные данные используют сбор большой суммы данных по временному ряду, и поэтому частота сбора отдельных данных имеет тенденцию к неравномерному распределению во времени. Это особенно очевидно при анализе финансового рынка, где транзакции могут происходить последовательно или после длительного периода бездействия.^[7]

Дискретность

Высокочастотные данные в значительной степени включают цены и транзакции, институциональные правила которых не допускают резкого роста или падения 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 при их использовании, например, на фондовой бирже, где популярные акции, как правило, остаются в пределах 5 тиков движения. Из-за уровня дискретности высокочастотных данных, как правило, высокий уровень эксцесс присутствует в комплекте.^[7]

Суточные модели

Анализ, впервые проведенный Энглом и Расселом в 1998 году, показывает, что высокочастотные данные соответствуют суточный режим с наименьшей продолжительностью между сделками при открытии и закрытии рынка. Некоторые зарубежные рынки, которые работают 24 часа в сутки, по-прежнему демонстрируют суточный график в зависимости от времени суток.^[7]

Временная зависимость

Во многом из-за дискретности цен высокочастотные данные зависят от времени. Спред, вызванный небольшими тиковыми различиями в ценах покупки и продажи, создает тренд, который толкает цену в определенном направлении. Точно так же продолжительность и скорость транзакций между сделками имеют тенденцию к кластеризации, что означает зависимость от временных изменений цены.^[7]

Данные сверхвысокой частоты

В наблюдении, отмеченном Роберт Фрай Энгл III, доступность более частых данных с течением времени вызвала переход от лет к месяцам, к внутридневной сборники финансовых данных. Это движение, однако, не бесконечно при переходе к более высоким частотам, но сталкивается с пределом, когда все транзакции в конечном итоге записываются.^[5] Engle придумал этот уровень предельной частоты как данные сверхвысокой частоты. Выдающееся качество этой максимальной частоты - чрезвычайно неравномерно распределенные данные из-за большого разброса времени, который накладывает неагрегированный 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, методы и модели, такие как модель условной продолжительности авторегрессии можно использовать для учета различного времени ожидания между сбором данных.^[5] Эффективная обработка данных сверхвысокой частоты может быть использована для повышения точности эконометрического анализа. Этого можно достичь с помощью двух процессов: очистки данных и управления данными.^[6]

Очистка данных

Очистка данных, или же очистка данных, представляет собой процесс использования алгоритмических функций для удаления ненужных, нерелевантных и неверных данных из высокочастотных наборов данных.^[6] Для сверхвысокочастотного анализа данных требуется чистая выборка записей, которая будет полезна для изучения. По мере увеличения скорости сбора сверхвысоких частот в сборе, вероятно, будет обнаружено больше ошибок и нерелевантных данных.^[6] Возникающие ошибки можно отнести к человеческая ошибка, как преднамеренные (например, "пустые" кавычки), так и непреднамеренные (например, опечатка ) или компьютерная ошибка, возникающая при технических сбоях.^[8]

Управление данными

Управление данными относится к процессу выбора конкретного интересующего временного ряда в наборе сверхвысокочастотных данных, которые необходимо извлечь и организовать с целью анализа. О различных транзакциях можно сообщать в одно и то же время и на разных уровнях цен, а эконометрические модели обычно требуют одного наблюдения для каждой временной отметки, что требует некоторой формы агрегирования данных для надлежащего анализа.^[6] Усилия по управлению данными могут быть эффективными для исправления характеристик сверхвысокочастотных данных, включая нерегулярный интервал, отскок спроса и предложения, а также открытие и закрытие рынка.^[6]

Альтернативное использование вне финансовой торговли

Исследование, опубликованное в Пресноводная биология журнал, посвященный эпизодическим погодным воздействиям на озера, подчеркивает использование высокочастотных данных для дальнейшего понимания метеорологический драйверы и последствия «событий» или внезапных изменений физических, химических и биологических параметров озера.^[9] Благодаря достижениям в технологии сбора данных и человеческим сетям, а также размещению станций высокочастотного мониторинга на озерах различных типов, эти события можно исследовать более эффективно. Отмечено, что использование высокочастотных данных в этих исследованиях является важным фактором, позволяющим анализировать быстро происходящие погодные изменения в озерах, такие как скорость ветра и осадки, улучшая понимание способности озера справляться с событиями после усиления шторма и изменение климата.^[9]

Было обнаружено, что данные с высокой периодичностью полезны для прогнозирования инфляции. Исследование Микеле Мондуньо в Международный журнал прогнозирования указывает на то, что использование ежедневных и ежемесячных данных с высокой частотой в целом повысило точность прогноза общего ИПЦ инфляция в США.^[10] В исследовании использовалось сравнение низкочастотных моделей с моделью, которая учитывала все переменные с высокой частотой. В конечном итоге было обнаружено, что повышенная точность высоконестабильных транспортных и энергетических компонентов цен в модели высокочастотной инфляции приводит к повышению производительности и более точным результатам.^[10]

Использование период полураспада оценка для оценки скорости значит возвращение в экономических и финансовых переменных столкнулся с проблемами в отношении отбора проб, так как период полураспада около 13,53 года потребует 147 лет годовых данных в соответствии с ранними Модели процессов AR.^[11] В результате некоторые ученые использовали высокочастотные данные для оценки годовых данных о периоде полураспада. Хотя использование высокочастотных данных может столкнуться с некоторыми ограничениями в обнаружении истинного периода полураспада, в основном из-за смещение оценщика, используя высокую частоту Модель ARMA Было обнаружено, что для последовательной и эффективной оценки периода полураспада с помощью длинных годовых данных.^[11]