Advanced methods for estimating the probability of informed trading

Abstract

Grundlage dieser Dissertation ist ein Marktmodell, bei dem ein Market Maker mit informierten und uninformierten Marktteilnehmern handeln kann. Annahmegemäß betreten dabei informierte Händler den Markt nur an solchen Tagen, an denen preisrelevante (private) Informationen vorhanden sind. Käufe und Verkäufe werden jeweils als latente Punktprozesse mit zeitveränderlicher Intensität modelliert, wobei die Wartezeiten zwischen zwei Käufen bzw. Verkäufen einer Weibull-Verteilung entstammen. Zur Modellierung der erwarteten (bedingten) Durationen von Käufen und Verkäufen werden autoregressive Durationsmodelle (ACD - Modelle) verwendet. Die erwarteten Durationen fungieren schließlich als Scale-Parameter der Weibull-Verteilungen und sorgen somit für zeitveränderliche Intensitäten von Käufen und Verkäufen. Jeder Handelstag ist entweder durch das Fehlen von handelsrelevanten Informationen oder das Vorhandensein positiver oder negativer Nachrichten bei den informierten Händlern gekennzeichnet. Da die Art des Tages nicht beobachtbar ist, wird der entsprechende Prozess mit einem Hidden Markov Modell (HMM) beschrieben. Die Datengrundlage unserer Untersuchungen bilden Hochfrequenzdaten für insgesamt neun Automobilhersteller bzw. -zulieferer über einen Zeitraum von vier Jahren (2007 – 2010) und zwei Börsenplätzen (NYSE und Xetra). Die Modellparameter werden mit der Maximum-Likelihood-Methode geschätzt, was angesichts riesiger Datenmengen von über einer Million Durationen pro Datensatz schnelle und effiziente Algorithmen zur Berechnung der Likelihood erforderlich macht. Die Resultate der Modellschätzungen zeigen, dass das in diesem Kontext zur Schätzung derWahrscheinlichkeit von informiertem Handel erstmals verwendete HMM-Modell für den Großteil der Handelstage eine eindeutige Klassifizierung bezüglich des Informationsgehaltes möglich macht. Ferner erweist sich die bisher in der Literatur für die Durationen verwendete Exponentialverteilung im Gegensatz zur Weibullverteilung als nicht flexibel genug.

The basis of this dissertation is a market model in which a market maker trades with informed and uninformed market participants. According to the model assumptions informed traders only enter the market on days with price-relevant (private) information. Buys and sells are modeled with latent point processes with time-varying intensities, where the waiting times between two consecutive buys or sells are assumed to follow a Weibull distribution. Autoregressive duration models (ACD models) are utilized to model the expected (conditional) durations of buys and sells. Those expected durations serve as scale parameters of the Weibull distributions and introduce the time-varying intensities of buys and sells. Each trading day is characterized by the presence or absence of price-relevant information. Furthermore, if there is private information, we differentiate between information with positive or negative direction. Since the state of a trading day is not observable, we model the corresponding process with a Hidden Markov Model (HMM). We use high-frequency transaction data over four years (2007 - 2010) and two marketplaces (NYSE and Xetra). All symbols in our datasource belong to the automobile sector. Model parameters are estimated by Maximum-Likelihood approach. The enormous size of data, with more than one million transactions per symbol, makes it crucial to have fast and efficient algorithms at hand to calculate the likelihood function. Empirical applications show that the HMM model, which is incorporated for the first time in this context of estimating the probability of informed trading, is able to clearly assign a state to the vast majority of trading periods. Moreover, the empirical results indicate that the typically used exponential distribution for durations is not flexible enough compared to the Weibull distribution.