Caractéristiques universelles de la formation des prix sur les marchés financiers : perspectives de l'apprentissage profond.

Résumé En utilisant une approche d'apprentissage profond à grande échelle appliquée à une base de données à haute fréquence contenant des milliards de cotations et de transactions électroniques pour les actions américaines, nous découvrons des preuves non paramétriques de l'existence d'un mécanisme universel et stationnaire de formation des prix reliant la dynamique de l'offre et de la demande pour une action, telle que révélée par le carnet d'ordres, aux variations ultérieures de son prix de marché. Nous évaluons le modèle en testant ses prédictions hors échantillon concernant la direction des mouvements de prix, compte tenu de l'historique des prix et des flux d'ordres, sur un large éventail de titres et de périodes. Le modèle universel de formation des prix présente une précision de prédiction hors échantillon remarquablement stable dans le temps, pour un large éventail d'actions de différents secteurs. Il est intéressant de noter que ces résultats sont également valables pour les actions qui ne font pas partie de l'échantillon d'entraînement, ce qui montre que les relations saisies par le modèle sont universelles et non spécifiques à un actif. Le modèle universel - entraîné sur les données de toutes les actions - surpasse, en termes de précision de prédiction hors échantillon, les modèles linéaires et non linéaires spécifiques à un actif entraînés sur les séries temporelles d'une action donnée, ce qui montre que la nature universelle de la formation des prix plaide en faveur de la mise en commun des données financières de diverses actions, plutôt que de concevoir des modèles spécifiques à un actif ou à un secteur, comme cela est généralement le cas. Les normalisations standard des données basées sur la volatilité, le niveau des prix ou l'écart moyen, ou le partitionnement des données d'entraînement en secteurs ou en catégories telles que les actions à grand/petit tirage, n'améliorent pas les résultats de l'entraînement. En revanche, l'inclusion de l'historique des prix et des flux d'ordres sur de nombreuses observations passées améliore les performances de prévision, ce qui met en évidence la dépendance de la dynamique des prix.