Enhancing Bivariate Hawkes Processes for High-Frequency Trading
Notice bibliographique
Résumé
High-Frequency Trading (HFT) relies on the precise modeling of order book dynamics to effectively predict market movements. The Bivariate Hawkes Process (BHP) is widely used in HFT to capture self-excitation and cross-excitation between order arrivals. However, standard BHP models struggle to incorporate real-time liquidity and volatility patterns. This study introduces an Enhanced BHP (E-BHP) framework that integrates a Liquidity Imbalance Factor (OBI) and Rolling Standard Deviation of Price Movements (HV) to improve predictive accuracy. Additionally, we introduce adaptive weight parameters α and β to dynamically adjust the model sensitivity to market fluctuations.Unlike simple additive inclusion, the OBI and HV components are incorporated within the conditional intensity function, modifying the excitation kernel to reflect market state-dependent effects. This approach preserves the theoretical structure of the Hawkes process while enabling dynamic responsiveness.The parameters α and β are treated as trainable hyperparameters and optimized using grid search over validation folds during cross-validation. This ensures they are tuned to balance the influence of OBI and HV on event intensity without overfitting.Empirical results using NASDAQ limit order book data demonstrate that our enhanced model reduces prediction error, improving the RMSE from 0.7208 to 0.0169 and $\mathbf{R}^{2}$ from 0.5666 to 0.7000, thereby outperforming the traditional BHP. The evaluation was conducted using a cross-validation strategy to ensure robustness. While the performance gains are substantial, further assessment under diverse market conditions is necessary to validate generalisability. These enhancements make the E-BHP a valuable tool for market microstructure analysis, execution optimization, and risk-aware trading strategies.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».