matlab工具箱设置学习率_MATLAB金融工具箱：06：统计套利的机器学习2：特征工程和模型开发...

本示例创建了限价订单（LOB）动力学的连续时间马尔可夫模型，并根据数据中观察到的模式开发了用于算法交易的策略。它是有关用于统计套利的机器学习的一系列相关示例的一部分（请参阅机器学习应用程序）。

探索性数据分析

要预测系统的未来行为，您需要发现历史数据中的模式。纳斯达克等交易所提供的大量数据在提供统计机会的同时，也给计算带来了挑战。该示例遵循 [4]的方法，通过寻找价格动能指标来探索LOB数据。

原始数据

加载LOBVars.matNASDAQ证券INTC的LOB预处理数据集。

 load LOBVars

数据集包含每个订单的以下信息：到达时间t（从午夜开始的秒数），1级要价MOAsk，1级竞标价格MOBid，中间价 S和失衡指数I。

创建一个图表，显示LOB不平衡指数I和中间价的日内演变S。

 figure
 ​
 t.Format = "hh:mm:ss";
 ​
 yyaxis left
 plot(t,I)
 ylabel("Imbalance Index")
 ​
 yyaxis right
 plot(t,S/10000,'LineWidth',2)
 ylabel("Midprice (Dollars)")
 ​
 xlabel("Time")
 ​
 title('Exchange Data: One Day')
 legend(["Imbalance","Midprice"],'Location','NE')
 grid on

在这种规模下，失衡指数无法表明中间价格的未来变化。

要查看更多详细信息，请将时间标度限制为一分钟。

 timeRange = seconds([36000 36060]); % One minute after 10 AM, when prices were climbing
 xlim(timeRange)
 legend('Location','SE')
 title("Exchange Data: One Minute")

在这种尺度下，失衡指数的急剧偏离与中间价格的相应偏离一致。如果这种关系是可预测的，则意味着一定规模的失衡可以预测未来的价格走势，那么对该关系进行量化可以提供统计套利机会。

在LOB中绘制间隔时间的直方图。

 DT = diff(t); % Interarrival Times
 DT.Format = "s";
 ​
 figure
 binEdges = seconds(0.01:0.01:1);
 histogram(DT,binEdges)
 xlabel("Seconds")
 ylabel("Number of Orders")
 title("LOB Interarrival Times")

间隔时间遵循泊松过程的特征模式。

通过将指数分布拟合到间隔时间来计算订单之间的平均等待时间。

 DTAvg = expfit(DT)
 DTAvg = duration
    0.040273 sec

平滑数据