高频交易的数据驱动度量

arXiv:2405.08101v4 公告类型：replace-cross 摘要：公开数据无法识别高频交易（HFT），而标准代理指标也无法区分流动性供给策略与流动性需求策略。为克服这一度量难题，我们使用 Nasdaq 的专有数据训练机器学习模型，建立观测到的 HFT 活动与公开日内变量之间的映射。通过应用这一映射，我们构建了 2010 年至 2023 年所有美国股票的流动性供给型和流动性需求型 HFT 的每日度量指标。这些指标在很大程度上涵盖了标准代理指标所包含的信息，并捕捉到了这些代理指标未能反映的时间序列变化。利用 Euronext Paris 的专有数据，我们提供了证据，表明该方法可推广至不同市场，且在训练完成多年后仍具有预测能力。这一跨度为 14 年的面板数据使我们能够研究 HFT 与市场质量随时间的变化。供给侧 HFT 始终与更多的公告前信息获取、更多的知情交易以及更低的买卖价差相关，而需求侧 HFT 则呈现相反的关联模式。在 COVID-19 疫情期间，HFT 提供的流动性保持了韧性，且其与较低买卖价差之间的关联有所增强。