ترجمه فارسی مقاله تجزیه و تحلیل نقدینگی معاملات با فرکانس بالا | کاربرد طبقه بندی یادگیری ماشینی

چکیده

This research presents a comprehensive framework for analyzing liquidity in financial markets, particularly in the context of high-frequency trading. By leveraging advanced machine learning classification techniques, including Logistic Regression, Support Vector Machine, and Random Forest, the study aims to predict minute-level price movements using an extensive set of liquidity metrics derived from the Trade and Quote (TAQ) data. The findings reveal that employing a broad spectrum of liquidity measures yields higher predictive accuracy compared to models utilizing a reduced subset of features. Key liquidity metrics, such as Liquidity Ratio, Flow Ratio, and Turnover, consistently emerged as significant predictors across all models, with the Random Forest algorithm demonstrating superior accuracy. This study not only underscores the critical role of liquidity in market stability and transaction costs but also highlights the complexities involved in short-interval market predictions. The research suggests that a comprehensive set of liquidity measures is essential for accurate prediction, and proposes future work to validate these findings across different stock datasets to assess their generalizability.

چکیده به فارسی (ترجمه ماشینی)

این تحقیق یک چارچوب جامع برای تجزیه و تحلیل نقدینگی در بازارهای مالی ، به ویژه در زمینه تجارت با فرکانس بالا ارائه می دهد.این مطالعه با استفاده از تکنیک های طبقه بندی یادگیری ماشین پیشرفته ، از جمله رگرسیون لجستیک ، دستگاه بردار پشتیبانی و جنگل تصادفی ، هدف پیش بینی حرکات قیمت در سطح دقیقه با استفاده از مجموعه گسترده ای از معیارهای نقدینگی حاصل از داده های تجارت و نقل قول (TAQ) است.این یافته ها نشان می دهد که با استفاده از طیف گسترده ای از اقدامات نقدینگی ، دقت پیش بینی بالاتری را در مقایسه با مدل هایی با استفاده از زیر مجموعه کاهش یافته از ویژگی ها به همراه دارد.معیارهای نقدینگی کلیدی ، مانند نسبت نقدینگی ، نسبت جریان و گردش مالی ، به طور مداوم به عنوان پیش بینی کننده های مهم در تمام مدلها ظاهر می شوند ، با الگوریتم جنگلی تصادفی ، دقت برتر را نشان می دهد.این مطالعه نه تنها نقش اساسی نقدینگی در ثبات بازار و هزینه های معامله را تأکید می کند بلکه پیچیدگی های مربوط به پیش بینی های بازار کوتاه مدت را برجسته می کند.این تحقیق نشان می دهد که مجموعه ای جامع از اقدامات نقدینگی برای پیش بینی دقیق ضروری است و کار آینده را برای اعتبارسنجی این یافته ها در مجموعه داده های مختلف سهام برای ارزیابی تعمیم پذیری آنها ارائه می دهد.