پیشبینی هزینههای تاثیر بازار با استفاده از مدلهای یادگیری ماشین ناپارامتری

ایده و طراحی آزمایش ها: SP JL YS. آزمایش ها را انجام داد: SP JL YS. تجزیه و تحلیل داده ها: SP JL YS. معرف ها/مواد/ابزارهای آنالیز کمکی: SP JL YS. مقاله نوشت: SP JL YS.

¤a آدرس فعلی: 39-311, Seoul National University, 1 Gwanak-ro, Gwanak-gu, Seoul 151-742, Korea

¤b آدرس فعلی: A203, Engineering Building A-wing, Rutgers University, Piscataway, New Jersey 08854, ایالات متحده آمریکا

* ایمیل: rk. ca. uns@20dnah دریافت شده در 28 اکتبر 2015; پذیرش در 2 فوریه 2016. حق چاپ © 2016 Park et al

این یک مقاله با دسترسی آزاد است که تحت شرایط Creative Commons Attribution License توزیع شده است، که اجازه استفاده، توزیع و تکثیر نامحدود در هر رسانه را می دهد، مشروط بر اینکه نویسنده و منبع اصلی درج شده باشند.

داده های مرتبط

نویسندگان این مطالعه تمام داده های مربوطه را از ترمینال بلومبرگ به دست آوردند که با اشتراک در سرویس حرفه ای بلومبرگ (http://www. bloomberg. com/professional/، ten. grebmoolb@erawtfos) قابل دسترسی است.

خلاصه

هزینه تاثیر بازار مهم ترین بخش از هزینه های مبادله ضمنی است که می تواند هزینه کل معامله را کاهش دهد، اگرچه نمی توان آن را به طور مستقیم اندازه گیری کرد. در این مقاله، ما از پیشرفته ترین مدل های یادگیری ماشین ناپارامتریک: شبکه های عصبی، شبکه عصبی بیزی، فرآیند گاوسی، و رگرسیون برداری پشتیبانی، برای پیش بینی دقیق هزینه تاثیر بازار و ارائه مدل پیش بینی کننده که همه کاره است، استفاده کردیم. تعداد متغیرهاما مقدار زیادی از داده های واقعی معاملات تک معاملاتی بازار سهام ایالات متحده را از ترمینال بلومبرگ جمع آوری کردیم و سه متغیر ورودی مستقل تولید کردیم. در نتیجه، اکثر مدل های یادگیری ماشین ناپارامتریک در چهار معیار خطا عملکرد بهتری از مدل پارامتریک معیار استاندارد مانند مدل I-star داشتند. اگرچه این مدل ها در تفکیک مستقیم هزینه دائمی و موقت با مشکلات خاصی مواجه می شوند، مدل های یادگیری ماشین ناپارامتریک می توانند جایگزین های خوبی در کاهش هزینه های تراکنش با بهبود قابل توجه در عملکرد پیش بینی شوند.

معرفی

هزینه معامله یکی از عوامل مهمی است که بر عملکرد سرمایه گذاری تأثیر می گذارد و معمولاً به دو دسته اصلی طبقه بندی می شود: هزینه های صریح و هزینه های ضمنی. هزینه های صریح ، که به آن هزینه های مستقیم نیز گفته می شود ، هزینه های معامله ای هستند که به صراحت می توان بیان و اندازه گیری کرد. این هزینه ها شامل کمیسیون ها ، هزینه های معامله و مالیات است. هزینه های ضمنی یا هزینه های غیرمستقیم هزینه هایی هستند که نمی توانند به طور مستقیم اندازه گیری شوند اما با یک استراتژی تجاری مناسب قابل بهبود هستند. آنها شامل گسترش پیشنهادات ، هزینه ریسک زمان و هزینه های تأثیر بازار هستند.< Pan> هزینه معامله یکی از عوامل مهمی است که بر عملکرد سرمایه گذاری تأثیر می گذارد و معمولاً به دو دسته اصلی طبقه بندی می شود: هزینه های صریح و هزینه های ضمنی. هزینه های صریح ، که به آن هزینه های مستقیم نیز گفته می شود ، هزینه های معامله ای هستند که به صراحت می توان بیان و اندازه گیری کرد. این هزینه ها شامل کمیسیون ها ، هزینه های معامله و مالیات است. هزینه های ضمنی یا هزینه های غیرمستقیم هزینه هایی هستند که نمی توانند به طور مستقیم اندازه گیری شوند اما با یک استراتژی تجاری مناسب قابل بهبود هستند. آنها شامل گسترش پیشنهادات ، هزینه های ریسک زمان و هزینه های تأثیر بازار هستند. هزینه تراش یکی از عوامل مهمی است که بر عملکرد سرمایه گذاری تأثیر می گذارد و معمولاً به دو دسته اصلی طبقه بندی می شود: هزینه های صریح و هزینه های ضمنی. هزینه های صریح ، که به آن هزینه های مستقیم نیز گفته می شود ، هزینه های معامله ای هستند که به صراحت می توان بیان و اندازه گیری کرد. این هزینه ها شامل کمیسیون ها ، هزینه های معامله و مالیات است. هزینه های ضمنی یا هزینه های غیرمستقیم هزینه هایی هستند که نمی توانند به طور مستقیم اندازه گیری شوند اما با یک استراتژی تجاری مناسب قابل بهبود هستند. آنها شامل گسترش پیشنهادات ، هزینه ریسک زمان و هزینه های تأثیر بازار هستند.

هزینه تأثیر بازار ، یکی از هزینه های ضمنی معاملات ، هزینه ای است که ناشی از تفاوت بین قیمت قبل از معامله و قیمت واقعی معامله در واقع انجام می شود. در طول دهه گذشته ، مطالعات زیادی در مورد تجزیه و تحلیل هزینه های تأثیر بازار نه تنها محققان دانشگاهی بلکه پزشکان نیز متمرکز شده است زیرا این یکی از بخش های اصلی کاهش هزینه معامله است.[1] و [2] تأثیرات معاملات منفرد را به یک عملکرد قدرت مقعر از حجم معامله متناسب کرد.[3] از یک تابع لگاریتم از حجم معامله برای برآورد هزینه های تأثیر بازار استفاده کرد.[4] از عملکرد مماس هایپربولیک برای همان کار سوء استفاده کرد.[5] و [6] از یک فرآیند تصادفی از قیمت دارایی استفاده کردند که شامل تابعی از اندازه معامله برای توضیح تأثیرات بازار است.[7] هزینه تأثیر تخمین زده شده با استفاده از رگرسیون خطی با اندازه معاملات کمی.[8] تأثیرات بازار سفارشات نهادی بزرگ در بازار سهام آمریکا را مورد تجزیه و تحلیل قرار داد و دریافت که عملکرد تأثیر دائمی دارای فرم مقعر با توجه به اندازه معامله است ، بر خلاف نتایج قبلی [5 ، 9] که در آن دائمیعملکرد ضربه فرم خطی داشت. مدل I-STAR ، یک مدل پارامتری پیشرفته ، که در [10] و [11] شرح داده شده است ، یک مدل رگرسیون خطی است که از سه ورودی ، اندازه معامله ، نوسانات و نرخ معاملات اساسی استفاده می کند. این ورودی ها به طور مستقل بر هزینه های تخمین زده شده بازار تأثیر می گذارد.[12] و [13] از بیش از 40 متغیر مستقل برای متناسب با هزینه تأثیر بازار به عملکرد رگرسیون خطی ساده استفاده کردند. با این حال ، آن رویکردهای پارامتری موجود محدودیت در تخمین و عملکرد پیش بینی را نشان دادند زیرا آنها فرم رگرسیون خطی پارامتری یا ساده مدل تأثیر بازار را فرض می کردند. علاوه بر این ، بیشتر آنها نمی توانند از متغیرهایی که در ابتدا در مدل گنجانده نشده اند ، استفاده کنند ، بنابراین همیشه یک مدل جدید برای پیش بینی تأثیر بازار با مجموعه های مختلف متغیرها لازم است.

به تازگی ، مدلهای یادگیری ماشین غیر پارامتری به دلیل توانایی های آنها در اتصالات و پیش بینی عملکرد برای مجموعه داده های پیچیده ، با موفقیت در برنامه های مالی متنوع اعمال شده اند. آنها شامل پیش بینی قیمت سهام [14-17] و بازارهای مشتق آن [18-20] ، اعتبار و بازارهای مشتق آن [21-23] ، بازارهای با درآمد ثابت [24 ، 25] و بازارهای ارزی هستند [26 ، 27].

در این مقاله ، ما رویکردهای یادگیری ماشین غیر پارامتری را برای برآورد و پیش بینی هزینه های تأثیر بازار با دقت بیشتری نسبت به رویکردهای پارامتری موجود معرفی می کنیم. به دانش ما ، این اولین رویکردی است که چندین مدل یادگیری غیر پارامتری را برای تجزیه و تحلیل هزینه تأثیر بازار اعمال می کند. رویکرد غیرپارامتری پیشنهادی دارای دو مزیت اصلی است. اول ، رویکردهای غیر پارامتری معمولاً داده ها را بهتر از مورد پارامتری متناسب می کنند. دوم ، رویکردهای غیر پارامتری در تعداد متغیرهای ورودی همه کاره هستند ، بنابراین روش کلی تغییر نمی کند ، در حالی که تعداد یا انواع متغیرهای ورودی تغییر می کند در حالی که رویکردهای پارامتری در این موارد به مدلهای پارامتری جدید نیاز دارند. با شبیه سازی ، ما با انتخاب همان انواع متغیرهای ورودی با مدل I-STAR ، هزینه های تأثیر بازار معاملات سهام کوچک ، میانی درپوش و سهام بزرگ در بازار سهام ایالات متحده را به طور کلی و جداگانه تجزیه و تحلیل کردیم [10 ، 11] و نتایج را مقایسه کرد.

ادامه مقاله به شرح زیر تدوین شده است. در بخش بعدی ، ما به طور خلاصه مدل I-STAR را که به عنوان معیار پارامتری با سه متغیر ورودی استفاده می شود ، توضیح می دهیم. سپس ، ما نحوه استفاده از مدلهای رگرسیون غیر پارامتری را برای ساخت توابع هزینه تأثیر بازار توصیف می کنیم. توضیحات داده ها و روشهای تجربی با نتایج آزمایشی در بخش های زیر ارائه شده است. سرانجام ، ما نتایج خلاصه شده ، محدودیت ها و برخی جهت ها را برای کارهای آینده در بخش بحث ارائه می دهیم.

بررسی مدل I-Star

در این بخش ، ابتدا به طور خلاصه مدل I-Star [10 ، 11] را مرور می کنیم که یک مدل پارامتری معیار مدرن است. مدل I-Star ، که از سه متغیر ورودی برای توصیف هزینه تأثیر بازار استفاده می کند ، از دو معادله جدا شده محاسبه I *، یک هزینه فوری نظری و MI ، به ترتیب در بازار واقعی ظاهر می شود. معادلات محاسبه آنها به شرح زیر است: