Entdeckung des Ökosystems eines elektronischen Finanzmarktes mit einer dynamischen Machine-Learning-Methode

Vor nicht allzu langer Zeit wurden Wertpapiere von menschlichen Händlern auf persönlichen Märkten gehandelt. Das Ökosystem eines Open-Outcry-Marktes war gut bekannt, für das menschliche Auge sichtbar und streng vorgeschrieben. Heute wird der Handel zunehmend in anonymen elektronischen Märkten durchgeführt, in denen Händler keine festgelegten Funktionen oder verpflichtenden Rollen haben. Tatsächlich wurden die Händler selbst durch Algorithmen (Maschinen) ersetzt, die mit wenig oder gar keinem menschlichen Aufsicht arbeiten. Während der Prozess des elektronischen Handels für das menschliche Auge nicht sichtbar ist, wurden Machine-Learning-Methoden entwickelt, um persistente Muster in den Daten zu erkennen. In dieser Studie entwickeln wir eine dynamische Machine-Learning-Methode, die Händler in einem anonymen elektronischen Markt in fünf beständige Kategorien einteilt: Hochfrequenzhändler, Market Maker, opportunistische Händler, fundamentale Händler und kleine Händler. Unsere Methode erweitert eine plaid-Clustering-Technik mit einem Glättungsrahmen, der vorübergehende Muster herausfiltert. Die Methode ist schnell, robust und geeignet für die Entdeckung von Handelsökosystemen in einer Vielzahl von elektronischen Märkten.