基于成交量分解模型的改进VWAP策略

传统VWAP(交易量加权平均价格)策略通过拆分大额委托订单,跟踪市场成交均价,达到最小化冲击成本的目的,而准确预测成交量日内分布是运用VWAP策略的关键。通过详细考察现有的改进VWAP策略中成交量预测模型的建模方式和预测结果,发现由于无法分离成交量日内周期结构,现有模型样本依赖性较大且难以适用于多数股票。因此,本文从个股与市场成交量变化趋势的关系角度出发,推导个股成交量与市场趋势的关系,通过构造个股成交量关于市场因素的因子载荷,将日内成交量分解为市场共同部分和个股特殊部分,预测成交量日内分布并构建动态VWAP策略。实证结果表明新的成交量分解模型可以有效分离个股的成交量日内周期结构,在此基础上构造的改进VWAP策略不仅具有较为广泛的适用性,且跟踪误差减少幅度比现阶段同类型的改进VWAP策略更大,能更好的降低市场冲击成本。

基于VWAP基准的中国股市日内交易量的分解与建模研究

基于VWAP基准对中国股票市场日内交易量进行分解,依据中国的实际情况,提出跟踪中国市场交易量变化的最佳模型。利用超高频交易数据,实证检验影响中国股票市场交易量变化的几种因素,并对日内动态交易量进行分解和建模,结果表明,SETAR模型经验证比当前市场上广为使用的模型更适宜进行跟踪市场VWAP价格。

基于动态交易量预测的VWAP算法交易卖出策略

传统的VWAP交易策略通过预测区间交易量分布进行拆单交易,对于交易量区间分布的预测是基于区间成交量占总成交量比例进行的,这一预测方法没有考虑股票价格变动因素。因此,本文首先通过时间序列因素分解方法进行区间交易量分布预测,进而根据股票价格变化对区间交易量分布进行动态调整,并构建了基于动态区间交易量分布的股票卖出策略,最后通过实证检验了本文给出的动态区间交易量分布预测的有效性和交易策略的有效性。数值结果表明,本文所给动态区间交易量分布预测方法比传统VWAP方法预测结果更加接近于实际的交易量分布,且本文所给交易策略与传统VWAP交易策略相比,具有更大的收益。

基于非对称效应ACD模型和分时VWAP算法对A股市场算法交易的量化分析研究

目前算法交易在国际证券市场上已经成为最重要的交易方式之一,我国A股市场的算法交易尚处于起步阶段,但考虑到A股市场目前的实际情况和股指期货的推出,对于算法交易的需求日趋明显.基于此利用高频数据处理方法提出了一种适合A股市场交易规则的交易算法,首先提出一种考虑非对称效应的ACD模型来选择交易时点,然后利用一种分时的VWAP算法来决定委托量,最后利用股票价格波动预测来修正交易量和委托价格.基于A股股票的实证研究表明这种交易策略不但能获得高于市场均价的价格,同时也优于常规的算法交易算法.

基于机器学习的智能TWAP和VWAP算法的研究及应用

TWAP与VWAP算法为两类较常见的经典交易算法.传统的VWAP算法在TWAP算法的基础上,大多使用预测日内成交量分布的方法指导算法下单.传统成交量分布的预测效果严重依赖于市场交易惯性,但交易量分布受到日内诸多突发因素的影响,导致算法对市场突发状况的应对能力较弱.本文对传统TWAP与VWAP算法进行改进,利用滚动的1分钟粒度高频实时资金博弈数据,基于Logistic分类器训练量价模型,以该预测结果为入参构建最优化期望执行均价模型,求出当下各个价格档位对应委托数量的最优解.通过相对高频的分钟级价格预测机制,保证算法实时跟踪市场行情走势并寻求相对优势的交易机会.该算法经测试可以稳定地跑赢市场均价,具备推广应用的可行性.

基于机器学习的VWAP算法交易策略的分析与研究

随着电子交易系统的发展,基于算法模型的交易策略是金融机构提升业务能力和收益的重要手段,其中VWAP策略以最小化成交价格和市场真实价格的差异、减少交易成本为目标,是机构投资者使用次数最多、发展最早的算法交易策略。本文尝试构建一种基于支持向量机理论的动态VWAP交易策略,在预测日内成交量比例分布时,将市场的实时交易信息引入到预测模型中,使模型可以对当日即时信息作出动态反馈,提升预测精度和交易策略的整体执行效果。

自适应交易量预测的VWAP算法研究

VWAP交易算法因为简单易行,历来是交易者们关注的焦点,但是传统的VWAP交易策略具是一种完全静态的执行策略,在交易时间执行策略时只会按照之前定义好的策略执行,而无法将市场最新消息考虑进去。本文提出前向信号和后向信号来概括交易日的市场信息,然后将其融入衰减自适应函数中,从而修正交易曲线得到自适应交易曲线。通过在上涨、震荡、下跌3种市场行情和性质相同但不同规模的交易型开放式基金进行实证检验,结果表明该衰减自适应策略对不同市值有较好鲁棒性,且震荡行情中的表现明显优于传统VWAP策略,而在上涨和下跌行情中的表现欠佳。论文分析造成这样结果的原因,并定义了交易信封来避免极端情况的发生。

基于M-LSTM的股票指数日内交易量分布预测研究

针对现有预测建模方法难以高效提取日内交易量分布复杂变化规律,影响VWAP策略执行效果的问题,本文提出一种MEMD分解下基于LSTM-Attention的股市指数日内交易量分布预测方法M-LSTM。首先,运用MEMD方法将区间多维交易量时序同步分解为若干个独立的本征模态函数(IMF);其次,对各维度分解中高频IMF进行去噪与重构,构建基于LSTM-Attention神经网络的日内交易量分布预测模型,并深入分析股票指数不同走势阶段下模型预测的有效性;最后,分别采用M-LSTM、ARIMA以及SVR等主流方法,对上证指数等四个代表性指数的日内交易量分布进行预测。实验结果表明:M-LSTM预测误差更小,是一种更有效的股票指数日内交易量分布预测方法。

大额资产清仓的自动化交易策略

市场的机构投资者经常需要清仓手中持有的大额资产,因此清仓的交易策略成为了关心的问题.以工商银行的股票为例,给出适用于计算机执行的自动化清仓策略.首先将高频的工商银行股票历史数据在每个交易日分别划分出48个交易期,将问题简化为处理每个交易日交易期的数据.在此基础上,综合考虑用神经网络模拟预测清仓时股票价格随时间下降的风险和用信息流理论模型衡量的价格冲击和交易时刻,并通过优化模型得到清仓持续的交易日天数.此后,再制定出每个交易日的具体自动化交易策略.在制定日内交易策略时,首先用神经网络对交易时刻做出预测,然后综合考虑使用VWAP预测出的交易量和通过Kalman滤波方法修正过的期权定价公式预测出的各时刻股票的初始价格,最终给出详细的交易策略及交易的成本.

基于瞬时交易量及收益率动态调整的交易量加权平均价格策略

在总结交易量加权平均价格(VWAP)算法特点的基础上,提出了一种新的VWAP-VAP算法策略.日内交易份额被分解为市场份额和特殊份额两部分,而特殊份额通过日内实时交易量及收益率变动使用VAR模型进行动态调整.实证结果表明,该VWAP_VAR策略的表现明显优于经典VWAP策略和VWAP_ARMA策略,减小了对于市场VWAP的跟踪误差,降低了VWAP指令的执行风险.

Intraday Volume Percentages Forecasting Using a Dynamic SVM-Based Approach

This paper proposes a dynamic model to forecast intraday volume percentages by decomposing the trade volume into two parts: The average part as the intraday volume pattern and the residual term as the abnormal changes. An empirical test on data spanning half-a-year gold futures and S&P 500 futures reveals that a rolling average of the previous days' volume percentages shows great predictive ability for the average part. An SVM approach with the input pattern consisting of two categories is employed to forecast the residual term. One is the previous days' volume percentages in the same time interval and the other is the most recent volume percentages. The study shows that this dynamic SVM-based forecasting approach outperforms the other commonly used statistical methods and enhances the tracking performance of a VWAP strategy greatly.

日内交易量预测的局部波动模型及其实证研究

本文在辨析3种典型日内交易量预测模型—加和模型、乘积模型和分解优化模型—的理论差异并使用中国市场数据实证检验的基础上,提出一种新的日内交易量预测模型:局部波动模型.在交易量预测和成交量加权平均价(volume weighted average price,VWAP)策略层面,局部波动模型的稳定性均优于经典的基准方法—历史滚动均值.该模型运算速度快且可实现动态预测,预测精度方面表现良好,仅不及精度最高但速度最慢的乘积模型,且其稳健性优于乘积模型,介于乘积模型和分解优化模型之间.该模型在大盘风格数据上表现较好,且在处理频率较高的数据以及交易量波动较低的数据上具有优势.