×
阿尔瓦罗·阿罗约;阿尔瓦罗·卡特亚;费尔南多·莫雷诺-皮诺;斯特凡·佐伦

极限订单书中深入关注的生存分析：用卷积变换估计填充概率。 （英语） Zbl 07831716号

数量。财务 24，第1号，35-57（2024）.
摘要：执行策略中的关键决策之一是在被动（提供流动性）或主动（获取流动性）指令之间进行选择，以执行限额指令簿（LOB）中的交易。此选择的关键是LOB中被动极限订单的填充概率。本文提出了一种深度学习方法来估计在LOB的不同级别发布的限额订单的完成时间。我们开发了一种新的生存分析模型，该模型将LOB的时变特征映射到极限阶的填充时间分布。我们的方法基于卷积变换编码器和单调神经网络解码器。我们使用正确的评分规则将我们的方法与生存分析中的其他方法进行比较，并进行可解释性分析，以了解用于计算填充概率的特征的信息性。我们的方法明显优于生存分析文献中通常使用的方法。最后，我们对具有不同排队动态和交易活动的资产的订单簿中的订单（例如，在投标价差内）的完成概率进行了统计分析。

MSC公司：

91G15型 金融市场

关键词：

填充概率;限额订单簿;最佳执行;做市;下单;生存分析

软件：

SurvTRACE公司;DeepSurv公司;DeepHit（深度命中）
PDF格式BibTeX公司 XML格式引用
\textit｛Á.Arroyo｝等人，数量。财务24，No.1，35--57（2024；Zbl 07831716）
全文： 内政部 arXiv公司

参考文献：

[1] Alaa，A.M.和van der Schaar，M.用于具有竞争风险的生存分析的深度多任务高斯过程。《第31届神经信息处理系统国际会议论文集》，第2326-2334页，2017年。
[2] Antolini，L.、Boracchi，P.和Biganzoli，E.，生存数据的时间依赖性判别指数。《统计医学》，2005年，24（24），3927-3944。
[3] Arroyo，A.、Scalzo，B.、Stanković，L.和Mandic，D.P.，《动态投资组合削减：图表理论多元化的光谱方法》。ICASSP 2022-2022 IEEE声学、语音和信号处理国际会议（ICASSP），第5468-54722022页（IEEE）。
[4] Avati，A.、Duan，T.、Zhou，S.、Jung，K.、Shah，N.H.和Ng，A.Y.，《倒计时回归：尖锐和校准的生存预测》。《人工智能中的不确定性》，第145-1552020页（PMLR）。
[5] Bahdanau，D.、Cho，K.和Bengio，Y.，通过联合学习对齐和翻译实现神经机器翻译。预印本，2014年。arXiv:1409.0473。
[6] Bergault，P.、Drissi，F.和Guéant，O.，《ornstein-uhlenbeck动力学下的多目标最优执行和统计套利策略》。SIAM J.财务。数学。，2022, 13(1), 353-390. ·Zbl 1486.49026号
[7] Biñkowski，M.和Lehalle，C.A.，日内流动性的内生动力学。J.波特。管理。，2022, 48(6), 145-169.
[8] Borovykh，A.、Bohte，S.和Oosterlee，C.W.，卷积神经网络条件时间序列预测。预印本，2017年。arXiv:1703.04691。
[9] 阿拉巴马州卡特亚。，Donnelly，R.和Jaimungal，S.，用订单信号加强交易策略。申请。数学。《金融》，2018，25（1），1-35·Zbl 1418.91454号
[10] 阿拉巴马州卡特亚。，Jaimungal，S.和Penalva，J.，《算法和高频交易》，2015年（剑桥大学出版社）·Zbl 1332.91001号
[11] 阿拉巴马州卡特亚。，Jaimungal，S.和Wang，Y.，《秩序驱动市场中的欺骗和价格操纵》。申请。数学。《金融》，2020，27（1-2），67-98·Zbl 1454.91242号
[12] Chapfuwa，P.、Tao，C.、Li，C.、Page，C.，Goldstein，B.、Duke，L.C.和Henao，R.，《对抗性时间-事件建模》。在2018年国际机器学习会议上，第735-744页（PMLR）。
[13] Chilinski，P.和Silva，R.，通过累积分布函数的神经可能性。《人工智能不确定性会议》，第420-429页，2020年（PMLR）。
[14] Cho，J.W.和Nelling，E.，限制指令执行的概率。财务。分析。，2000, 56(5), 28-33.
[15] Cox，D.R.，回归模型和生命表。J.R.Stat.Soc.：序列号。B（Methodol.），1972年，34年，187-202年·Zbl 0243.62041号
[16] Cybenko，G.，通过S形函数的叠加进行逼近。数学。控制。信号，系统。，1989, 2(4), 303-314. ·Zbl 0679.94019号
[17] Ding，Q.，Wu，S.，Sun，H.，Guo，J.和Guo，J.，股票运动预测的分层多尺度高斯变换器。IJCAI，第4640-4646页，2020年。
[18] Dirick，L.、Claeskens，G.和Baesens，B.，《使用生存分析进行信用评分的违约时间：基准研究》。《运营杂志》。Res.Soc.，2017，68（6），652-665。
[19] Drissi，F.，微分Riccati方程的可解性及其在信号算法交易中的应用。2022.可从SSRN 4308008获得。
[20] Drissi，F.，《市场流动性模型：对传统市场和自动化做市商的应用》。2023.可从SSRN 4424010获得。
[21] Eisler，Z.、Bouchaud，J.P.和Kockelkoren，J.，订单事件的价格影响：市场订单、限价订单和取消。数量。《金融》，2012，12（9），1395-1419·Zbl 1279.91072号
[22] Faigle，U.和Kern，W.，优先约束下合作博弈的shapley值。《国际博弈论杂志》，1992，21（3），249-266·Zbl 0779.90078号
[23] Faraggi，D.和Simon，R.，生存数据的神经网络模型。Stat.Med.，1995，14（1），73-82。
[24] Fernández，T.、Rivera，N.和Teh，Y.W.，生存分析的高斯过程。高级神经信息处理。系统。，2016, 29.
[25] Ghorbani，A.和Zou，J.，《数据shapley：机器学习数据的公平评估》。在2019年国际机器学习会议上，第2242-2251页（PMLR）。
[26] Gneiting，T.和Ranjan，R.，使用阈值和分位数加权评分规则比较密度预测。J.总线。经济。《统计》，2011年，29（3），411-422·Zbl 1219.91108号
[27] Graf，E.，Schmoor，C.，Sauerbrei，W.和Schumacher，M.，生存数据预后分类方案的评估和比较。《统计医学》，1999年，第18期，第2529-2545页。
[28] Guéant，O.，《市场流动性的金融数学：从最优执行到做市》，2016年（CRC出版社）·Zbl 1338.91006号
[29] Handa，P.和Schwartz，R.A.，限制订单交易。《金融杂志》，1996，51（5），1835-1861。
[30] Harrell，F.E.，Calif，R.M.，Pryor，D.B.，Lee，K.L.和Rosati，R.A.，《评估医学检测结果》。贾玛，1982年，247（18），2543-2546。
[31] Hart，S.，Shapley值。《博弈论》，第210-216页，1989年（施普林格出版社）。
[32] He，K.，Zhang，X.，Ren，S.和Sun，J.，图像识别的深度残差学习。《IEEE计算机视觉和模式识别会议记录》，第770-778页，2016年。
[33] Hochreiter，S.和Schmidhuber，J.，《长期短期记忆》。神经计算。，1997, 9(8), 1735-1780.
[34] Xiao，C.R.和Raghavan，T.，多选合作博弈的Shapley值，i.博弈经济。行为。，1993, 5(2), 240-256. ·Zbl 0795.90092号
[35] Hu，S.，Fridgeirsson，E.，van Wingen，G.和Welling，M.，基于变形金刚的深度生存分析。《生存预测——算法、挑战和应用》，第132-1482021页（PMLR）。
[36] Ishwaran，H.、Kogalur，U.B.、Blackstone，E.H.和Lauer，M.S.，《随机生存森林》。附录申请。统计，2008年，2（3），841-860·Zbl 1149.62331号
[37] Kaplan，E.L.和Meier，P.，《不完全观测的非参数估计》。《美国统计协会期刊》，1958，53（282），457-481·Zbl 0089.14801号
[38] Katzman，J.L.，Shaham，U.，Cloninger，A.，Bates，J.，Jiang，T.和Kluger，Y.，DeepSurv:使用cox比例危险深度神经网络的个性化治疗推荐系统。BMC医学研究方法。，2018, 18(1), 1-12.
[39] Kidger，P.和Lyons，T.，深窄网络的通用近似。学习理论会议，第2306-23272020页（PMLR）。
[40] Kolm，P.N.，Turiel，J.和Westray，N.，《深层订单流不平衡：从极限订单中提取多个层面的阿尔法》。2021.可从SSRN 3900141获得。
[41] Kvamme，H.，Borgan，Ø。Scheel，I.，《利用神经网络和Cox回归进行时间-事件预测》。2019年预印本。arXiv预打印arXiv:1907.00825。
[42] Lariviere，B.和Van den Poel，D.，通过使用生存分析和选择模型，研究产品特征在防止客户流失中的作用：金融服务案例。专家系统。申请。，2004, 27(2), 277-285.
[43] Laurie，J.A.、Moertel，C.G.、Fleming，T.R.、Wieand，H.S.、Leigh，J.E.、Rubin，J.、McCormack，G.W.、Gerstner，J.B.、Krook，J.E.和Malliard，J.，《大肠癌的手术辅助治疗：左旋咪唑和左旋咪唑啉与氟尿嘧啶联合治疗的评估》。临床杂志。Oncol.公司。，1989, 7(10), 1447-1456.
[44] LeCun，Y.，Boser，B.，Denker，J.S.，Henderson，D.，Howard，R.E.，Hubbard，W.和Jackel，L.D.，Backpropagation应用于手写邮政编码识别。神经计算。，1989, 1(4), 541-551.
[45] Lee，C.，Yoon，J.和Van Der Schaar，M.，《动态深度：基于纵向数据的竞争风险动态生存分析的深度学习方法》。电气与电子工程师协会。事务处理。生物识别。工程，2019，67（1），122-133。
[46] Lee，C.、Zame，W.、Yoon，J.和Van Der Schaar，M.，《深度挖掘：具有竞争风险的生存分析的深度学习方法》。2018年AAAI人工智能会议记录。
[47] Lezmi，E.和Xu，J.，变压器模型的时间序列预测及其在资产管理中的应用。2023.可从SSRN 4375798获得。
[48] Littwin，E.和Wolf，L.，关于深层神经网络相对于层宽度的凸行为。预印本，2020年。arXiv:2001.04878。
[49] Lo，A.W.，MacKinlay，A.C.和Zhang，J.，有限阶执行的计量经济学模型。J.财务。经济。，2002, 65(1), 31-71.
[50] Lucchese，L.、Pakkanen，M.和Veraart，A.，《订单市场回报的短期可预测性：深度学习视角》。预印本，2022年。arXiv:2211.13777。
[51] Lundberg，S.M.和Lee，S.I.，解释模型预测的统一方法。第31届神经信息处理系统国际会议记录，第4768-4777页，2017年12月。
[52] Maglaras，C.、Moallemi，C.和Wang，M.，估算极限订单中填充概率的深度学习方法。数量。《金融》，2022年，1989年至2003年·Zbl 1505.91372号
[53] Maystre，L.和Russo，D.，《时间一致性生存分析》。高级神经信息处理。系统。，2022, 35, 10671-10683.
[54] Mishev，K.、Gjorgjevikj，A.、Vodenska，I.、Chitkushev，L.T.和Trajanov，D.，《金融中情绪分析的评估：从词汇到变形金刚》。IEEE接入，2020，8131662-131682。
[55] Moreno-Pino，F.和Zohren，S.，Deepvol：基于扩展因果卷积的高频数据的波动性预测。预印本，2022年。arXiv:2210.04797。
[56] Moreno-Pino，F.、Olmos，P.M.和Artés-Rodríguez，A.，具有谱关注的深度自回归模型。模式识别。，2023, 133, 109014.
[57] de Ocáriz Borde，H.S.、Arroyo，A.和Posner，I.，《潜在图推理的模型空间投影》。在2023年ICLR机器学习物理研讨会上。
[58] Oord，A.v.d.，Dieleman，S.，Zen，H.，Simonyan，K.，Vinyals，O.，Graves，A.，Kalchbrenner，N.，Senior，A.和Kavukcuoglu，K.Wavenet:原始音频的生成模型。预印本，2016年。arXiv:1609.03499。
[59] Rindt，D.、Hu，R.、Steinsaltz，D.和Sejdinovic，D.，《具有适当评分规则和单调神经网络的生存回归》。2022年，第25届国际人工智能与统计会议（AISTATS 2022）。
[60] Singh，R.和Mukhopadhyay，K.，《临床试验中的生存分析：基础和必须了解的领域》。透视。临床。决议，2011年，2（4），145。
[61] Susto，G.A.、Schirru，A.、Pampuri，S.、McLoone，S.和Beghi，A.，《预测性维护的机器学习：多分类器方法》。IEEE传输。工业。通知。，2014, 11(3), 812-820.
[62] Tagasovska，N.和López-Paz，D.，深度学习的单模型不确定性。高级神经信息处理。系统。，2019, 32.
[63] Vaswani，A.、Shazeer，N.、Parmar，N.，Uszkoreit，J.、Jones，L.、Gomez，A.N.、Kaiser，Ł。还有Polosukhin，我，注意力就是你所需要的。高级神经信息处理。系统。，2017, 30.
[64] Wallbridge，J.，《限额订单的变形金刚》。预印本，2020年。arXiv:2003.00130。
[65] Wang，Z.和Sun，J.，《SurvTRACE：竞争项目生存分析的变形金刚》。《第13届ACM生物信息学、计算生物学和健康信息学国际会议论文集》，第1-9页，2022年。
[66] Wang，C.，Chen，Y.，Zhang，S.和Zhang、Q.，使用深度变压器模型预测股市指数。专家。系统。申请。，2022, 208, 118128.
[67] Wei，L.J.，《加速失效时间模型：生存分析中Cox回归模型的有用替代方法》。《医学总汇》，1992，11（14-15），1871-1879。
[68] Zhong，Q.，Mueller，J.W.和Wang，J.L.，生存分析的深度扩展风险模型。高级神经信息处理。系统。，2021, 34, 15111-15124.
[69] Ziehm，M.和Thornton，J.M.，通过一个新的数据库和在线分析平台，释放模型生物生存数据的潜力。《衰老细胞》，2013，12（5），910-916。
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。