گروه های وابسته به علوم ریاضی و محاسبات ، دانشکده محاسبات ، انستیتوی فناوری توکیو ، Nagatsuta-cho ، Midori-ku ، یوکوهاما ، ژاپن ، انستیتوی تحقیقات نوآورانه ، انستیتوی فناوری توکیو ، Nagatsuta-Cho ، Yokohama ، ژاپن

نقش مفهوم سازی ، روش شناسی ، مدیریت پروژه ، نظارت ، نوشتن - بررسی و ویرایش

مؤسسه تحقیقات نوآورانه ، انستیتوی فناوری توکیو ، Nagatsuta-Cho ، یوکوهاما ، ژاپن ، آزمایشگاه های علوم کامپیوتر سونی ، Higashi-Gotanda ، Shinagawa-Ku ، توکیو ، ژاپن

نقش مفهوم سازی ، کسب بودجه ، مدیریت پروژه ، نظارت ، نوشتن - بررسی و ویرایش

گروه های وابسته به علوم ریاضی و محاسبات ، دانشکده محاسبات ، انستیتوی فناوری توکیو ، Nagatsuta-cho ، Midori-ku ، یوکوهاما ، ژاپن ، انستیتوی تحقیقات نوآورانه ، انستیتوی فناوری توکیو ، Nagatsuta-Cho ، Yokohama ، ژاپن

بوم شناسی استراتژی های معاملاتی در بازار فارکس برای محدودیت و سفارشات بازار

• Takumi Sueshige ،
• Kiyoshi Kanazawa ،
• Hideki takayasu ،
• Misako Takayasu

• منتشر شده: 17 دسامبر 2018
• https://doi. org/10. 1371/journal. pone. 0208332

• نظرات خواننده

ارقام

چکیده

علاقه فزاینده ای برای درک بازارهای مالی به عنوان سیستم های زیست محیطی وجود دارد، جایی که انواع استراتژی های تجاری با گونه های بیولوژیکی مطابقت دارد. برای این منظور، داده های تراکنش برای معامله گران فردی اخیراً به عنوان تحلیل های تجربی مورد مطالعه قرار گرفته است. با این حال، مطالعات تجربی کمی وجود دارد که به نحوه ارائه محدودیت و سفارش بازار در سطح معامله‌گران فردی توسط معامله‌گران می‌پردازد. از آنجایی که سفارشات محدود و بازار اجزای کلیدی هستند که در نهایت منجر به معاملات می شوند، لازم است قبل از انجام معاملات، درک کنیم که واقعاً چه نوع استراتژی هایی در بین معامله گران به کار گرفته می شود. در اینجا ما انواع استراتژی‌های سفارش محدود و سفارش بازار را نشان می‌دهیم و نقش آنها را در بازارهای مالی از منظر زیست‌محیطی نشان می‌دهیم. ما متوجه شدیم که این استراتژی‌های معاملاتی می‌توانند به خوبی با الگوی پاسخ آنها به تغییرات قیمت تاریخی مشخص شوند. با استفاده از تحلیل خوشه‌بندی، تصویری کلی از استراتژی‌های معاملاتی به‌عنوان یک ماتریس زیست‌محیطی ارائه می‌کنیم، که نشان می‌دهد مصرف‌کنندگان نقدینگی احتمالاً در مقایسه با ارائه‌دهندگان نقدینگی، عملکرد معاملاتی بالایی از خود نشان می‌دهند. علاوه بر این، ما نشان می‌دهیم که معامله‌گران با فرکانس بالا (HFT) و معامله‌گران با فرکانس پایین (LFTs) علیرغم تفاوت در سبک‌های معاملاتی، عملکرد معاملاتی بالایی از خود نشان می‌دهند. HFT ها سعی می کنند با کاهش ریسک، کارایی معاملاتی خود را به حداکثر برسانند، در حالی که LFT ها با ریسک کردن، سود خود را به دست می آورند.

نقل قول: Sueshige T, Kanazawa K, Takayasu H, Takayasu M (2018) بوم شناسی استراتژی های معاملاتی در بازار فارکس برای سفارشات محدود و بازار. PLoS ONE 13(12): e0208332. https://doi. org/10. 1371/journal. pone. 0208332

ویراستار: توبیاس پریس، دانشگاه وارویک، انگلستان

دریافت: 21 ژوئن 2018; پذیرش: 15 نوامبر 2018; تاریخ انتشار: 17 دسامبر 2018

حق چاپ: © 2018 Sueshige et al. این یک مقاله با دسترسی آزاد است که تحت شرایط Creative Commons Attribution License توزیع شده است، که اجازه استفاده، توزیع و تکثیر نامحدود در هر رسانه را می دهد، مشروط بر اینکه نویسنده و منبع اصلی درج شده باشند.

در دسترس بودن داده ها: داده های خام مورد استفاده در این مطالعه از شرکت خدمات EBS Limited خریداری شده است، بدون امتیاز دسترسی خاص. به دلیل محدودیت های قانونی، نویسندگان مجاز به توزیع داده ها نیستند. با پیروی از همان رویه نویسندگان، آن دسته از محققانی که علاقه مند به تجزیه و تحلیل مجموعه داده های مشابه هستند، می توانند آن را مستقیماً از شرکت خدمات محدود EBS از طریق وب سایت www. ebs. com/contact-us خریداری کنند.

بودجه: این مطالعه تا حدی توسط کمک مالی برای تحقیقات علمی (B) ارائه شده توسط انجمن ژاپن برای ترویج علم پشتیبانی می شود.(https://www. jsps. go. jp/english/e-grants/index. html) (شماره گرنت 26310207)، JSPS KAKENHI (شماره های اعطایی 17J10781 و 16K16016)، و JST، برنامه تحقیقات همکاری بین المللی استراتژیک (SICORP)با موضوع ICT برای یک جامعه تاب آور» توسط ژاپن و اسرائیل.

منافع رقابتی: نویسندگان اعلام کرده اند که هیچ منافع رقیب وجود ندارد.

1. مقدمه

در بازارهای مالی، عمدتاً به دلیل توسعه فناوری، امکان ردیابی معاملات معامله گران فردی با جزئیات فراهم شده است. چنین پیشرفت‌های فنی کنجکاوی محققان را برای آشکار کردن مکانیسم‌های پشت انحراف بازارهای مالی واقعی از فرآیندهای تصادفی ناب، به ویژه از نظر انواع استراتژی‌های معاملاتی، جلب کرده است. در واقع، علاقه فزاینده ای به تحقیقات تجربی در مورد انواع سبک های معاملاتی در زمان بندی و فرکانس معاملات وجود دارد. به عنوان مثال، رابطه بین میانگین بازده گذشته و تصمیم معامله گر برای خرید یا فروش سهام در Refs گزارش شده است.[1، 2]. رابطه دو خطی بین میانگین گردش گزارش و میانگین مقادیر حساب ورود به سیستم در Ref برقرار شد.[3]. مرجع [4] نشان می دهد که الگوی پاسخ به عوامل درون زا (بازده قیمت و نوسانات) و عوامل برون زا (تعداد اخبار و احساسات ایجاد شده توسط اخبار) را می توان با استفاده از رگرسیون خطی و تحلیل همبستگی جزئی توسط بخش های استخدام معامله گران طبقه بندی کرد.. تجزیه و تحلیل شبکه در Refs.[5 و 6] به ترتیب همگام سازی در فعالیت معاملاتی بین خوشه ها و تکامل زمانی شبکه ها و نقش آنها در بازارهای مالی را نشان داد.

این جریان تحقیقاتی زمینه ای از اکولوژی بازار را شکل می دهد که در آن تنوع استراتژی های تجاری با گونه های بیولوژیکی مطابقت دارد. در واقع، Farmer در Ref.[7، 8] که مفاهیم اکولوژیکی، مانند رابطه شکارچی-شکار، در درک ساختار خرد بازار مالی مفید خواهد بود. در حالی که داده‌های معاملات روزانه برای مطالعات بوم‌شناختی بازارهای مالی مورد استفاده قرار گرفته‌اند، با این حال، استراتژی‌های حد و سفارش‌های بازار با مقیاس زمانی میلی‌ثانیه به طور دقیق مورد مطالعه قرار نمی‌گیرند. در اینجا، یک دستور محدود برای تعیین قیمتی که معامله گر مایل به انجام معامله در آینده است، و یک دستور بازار برای نشان دادن اراده برای خرید یا فروش آنی ارز استفاده می شود. از آنجایی که هر دو سفارش محدود و بازار اغلب بین یک تراکنش صادر می‌شوند، استراتژی‌های این دو نوع سفارش شامل اطلاعاتی در مورد فرآیند تصمیم‌گیری معامله‌گران است، که معتقدیم کلیدی برای درک بوم‌شناسی بازار است.

در این مقاله ، ما گزارش مفصلی در مورد استراتژی های محدودیت و سفارشات بازار معامله گران واقعی در یک بازار فارکس با ردیابی ناشناس همه افراد (1015 معامله گر) ارائه می دهیم. زمان و دقت قیمت مجموعه داده های ما به ترتیب میلی ثانیه و 0. 005 JPY است. ما با استفاده از داده های فرکانس بالا ارائه شده توسط خدمات کارگزار الکترونیکی (EBS) در بازار ارز دلار برای هفته از 5 تا 10 ژوئن 2016 ، استراتژی های آنها را برای نشان دادن ارتباط آنها با نقدینگی بازار و عملکردهای تجاری مشخص و طبقه بندی کردیم. مسیر قیمت معاملات هر یک ساعت در شکل 1 (a) نشان داده شده است. همانطور که از این شکل مشاهده می شود ، قیمت ها در یک محدوده قیمت باریک و بدون هیچ گونه حباب یا تصادف در حال نوسان هستند و به نظر می رسد برای تجزیه و تحلیل استراتژی های معمول سفارش و سفارش بازار مناسب است. حداقل واحد حجم برای ارسال یک میلیون دلار است و کل رکورد داده و معاملات به ترتیب حدود 300 میلیون و 68 میلیارد دلار بوده است. ما واحد حداقل قیمت را به عنوان یک PIP دهم (TPIP ، 0. 001 ین) و زمان کنه به عنوان یک عدد صحیح که توسط هر معامله افزایش می یابد تعریف می کنیم. از آنجا که کار قبلی یک محقق EBS [9] با توجه به فرکانس ارسال آنها ، معامله گران را طبقه بندی می کند ، ما معامله گران را صادر می کنیم که کمتر از 1000 (100) سفارشات (بازار) را به عنوان FTS در این مقاله صادر می کنند. آنها بیش از 95 ٪ از هر دو سفارش را پوشش می دهند (شکل 1 (B)). معامله گران باقیمانده به عنوان معامله گران با فرکانس پایین (LFT) تعریف می شوند. ویژگی های استراتژیک دقیق FTS از این پس از آن مورد بررسی قرار می گیرد تا مشتق خواص نهایی اکولوژیکی نهایی برای همه معامله گران نشان دهد.

الف ، مسیر قیمت معاملات هر ساعت در طول هفته از ششم ژوئن 2016 ترسیم می شود. ب ، تعداد ارسال های مربوط به محدودیت و سفارشات بازار. رتبه بندی معامله گران (Abscissa) به عنوان افزایش تعداد ارسال ها تعریف می شود. معامله گران صدور بیش از 1000 (100) سفارشات (بازار) برای هفته HFT (به رنگ قرمز) تعیین می شوند. بقیه به عنوان LFT (به رنگ آبی) تعریف می شوند.

2 روش

2. 1 بررسی کوتاه از تحلیل ما

برای شناسایی استراتژی های معاملاتی ، ما بر الگوی پاسخ سفارشات محدود و سفارشات بازار به روندهای تاریخی متمرکز شدیم. ما برای اولین بار فواصل کنه درشت دانه را برای محاسبه تغییرات قیمت بازار و زمان تاخیر برای اندازه گیری روند معرفی کردیم. برای یافتن پارامترهای بهینه برای هر دو فواصل کنه و تاخیر در زمان ، ما به ترتیب از تجزیه و تحلیل رگرسیون چند خطی برای سفارشات محدود استفاده کردیم (به 2. 2 مراجعه کنید) و تجزیه و تحلیل چند مدلی برای سفارشات بازار (به ترتیب 2. 4). در زیر بخش های زیر ، ما روش دقیق شناسایی پارامترهای بهینه را شرح دادیم.

2. 2 تجزیه و تحلیل مرتبه محدود

ما ابتدا با مطالعه همبستگی بین روند قیمت تاریخی و تغییرات قیمت محدودیت در آینده توسط بازرگانان ، بازه زمانی رفتارهای پیروی از هر معامله گر را تعیین کردیم. بگذارید به دو مسیر نمونه سفارشات محدودی صادر شده توسط دو معامله گر مختلف ، که نشان دهنده تنوع سرعت پاسخ مرتبه محدود به تغییر قیمت معاملات است (شکل 2 (A)). برای تعیین کمیت چنین ناهمگونی در بازه های زمانی پاسخ ، ما یک فاصله کنه درشت دانه را برای محاسبه تغییرات قیمت بازار و حداکثر تأخیر در زمان که یک معامله گر در حافظه خود در شکل 2 (b) به آن اشاره می کند ، معرفی کردیم. به عنوان مثال ، اجازه دهید تفسیر را بر اساس خطوط آبی و قرمز در شکل 2 (b) مقایسه کنیم. خط آبی بر اساس 3 تاخیر حداکثر زمان با 1 دانه درشت کنه است و نشانگر روندهای رو به پایین است. از طرف دیگر ، خط قرمز مبتنی بر 3 تاخیر حداکثر با 4 کنه درشت است و روند رو به بالا را نشان می دهد ، هرچند که سری زمان معامله داده شده یکسان است. بنابراین لازم است (i) بازه زمانی برای دانه های درشت و (ب) حداکثر تاخیر زمانی برای هر معامله گر تعیین شود.

الف ، نمونه ای از سفارشات حد مجاز صادر شده توسط دو FT در طی شش دقیقه: طول عمر سفارشات ASK و BID (به ترتیب خطوط قرمز و آبی) و مسیر قیمت معاملات (خط سیاه). ب ، شماتیک تفسیر تفاوت روند از یک مسیر قیمت واحد. اگر یک معامله گر تغییرات قیمت کوتاه مدت را مشاهده کند ، قیمت ها در یک روند پایین (فلش خمیده آبی) قرار دارند ، در حالی که اگر یک معامله گر تغییرات قیمت طولانی مدت را مشاهده کند ، قیمت ها در یک روند بالایی قرار دارند (فلش خمیده قرمز). بازه های زمانی مختلف منجر به تفسیرهای مختلف به روندهای تاریخی می شوند. ج ، رابطه بین تغییر قیمت سفارش و روند. دوره های تاریخی که به طور متوسط از آن استفاده می شود 1 تیک (نارنجی) ، 3 کنه (سبک آبی) و 8 کنه (بنفش) است. رابطه مماس بیش از حد بین آنها ، که به صورت تجربی در کارهای اولیه نشان داده شده است [10 ، 11] با تمرکز بر آخرین تغییر قیمت تیک تک ، همچنین تغییرات قیمت را در چندین کنه ایجاد می کند. D ، سه وزن معمولی از رگرسیون به دست آمده توسط Eq (2) (سمت چپ) و وزن 161 FTS پس از مقیاس گذاری (سمت راست). از آنجا که سه وزن نمونه توسط عملکردهای نمایی به خوبی مورد استفاده قرار می گیرند ، ما با مقیاس بندی عملکرد D ، همه وزن FTS را مقیاس می کنیم_منExp ( - k / τ_من). نمودار سمت راست حدود 85 ٪ از معامله گران هدف (161 از 191 معامله گر) را نشان می دهد که روند متوسط حرکت نمایی را تعیین می کنند. inset وزن های مقیاس یافته را در مقیاس ورود به سیستم قرار می دهد. اگرچه انحرافات اطراف دم توزیع وجود دارد ، اما روند کلی به خوبی توسط عملکرد نمایی ضبط می شود.

در این مقاله ، ما چنین پارامترهای استراتژی را با حداکثر رساندن همبستگی بین تغییرات قیمت تاریخی بازار و تغییرات قیمت محدود سفارش در آینده معامله گر تعیین کردیم. تغییر قیمت تاریخی با توجه به J محاسبه می شود_منتاخیر در درشت و k-th تاخیر (1) و تغییر قیمت محدود برای معامله گر I-th توسط δ z داده می شود_من(T) ≡ z_من(t + 1) - z_من(T). در اینجا قیمت متوسط بهترین قیمت سؤال و بهترین قیمت پیشنهاد است. P (t) قیمت معامله در زمان t است. در صورت عدم وجود پیشنهاد (درخواست) ، () با آخرین قیمت پیشنهاد (ASK) جایگزین می شود ، و تغییرات قیمت محدود سفارش بیش از 100 TPIP از تجزیه و تحلیل زیر حذف می شود. ما میانگین تغییرات Δ z را نشان دادیم_من(T) مشروط به تغییرات قیمت تاریخی در شکل 2 (c). در این شکل ، ما δ z را به کار گرفتیم_من(T) به ترتیب از معامله گر ششم (نارنجی) ، معامله گر 65 (سبک-آبی) و 180th Trader (بنفش). به همین ترتیب ، بر اساس 1 دانه درشت درشت و 5 تاخیر حداکثر زمان (نارنجی) ، 3 دانه درشت کنه و 10 تاخیر حداکثر زمان (سبک آبی) و 8 دانه درشت و حداکثر 8 محاسبه می شود. تاخیر زمان (بنفش). ما دریافتیم که این سه مثال می تواند با منحنی های مماس هایپربولیک که توسط خط سیاه مشخص شده است ، مورد تأیید قرار گیرد. شایان ذکر است که این رابطه یک تعمیم ساده از فرمول موجود در Refs است.[10 ، 11]. در مقاله خود ، آنها با رفع J مورد خاص این رابطه را پیدا کردند_من= 1 به گونه ای که ثابت باشد.

با توجه به این نتیجه ، رابطه کلی بین δ z_من(t) و می تواند توسط (2) (3) در جایی که k فرموله شود_منتعداد تاخیر زمان است ، w_من(k) ضریب رگرسیون در زمان K ، ϵ است_من(t) سر و صدای سفید و α است_من، σ ثابت هستند.

بر اساس این رابطه ، ما به صورت معکوس تعداد تاخیر زمانی را تحت چندین مرزی و مرطوب کننده زمان افزایش داده و پارامتر تعیین شده را برای به حداکثر رساندن همبستگی بین تغییر قیمت بازار تاریخی و قیمت آینده به نقل از یک معامله گر بهینه می کنیم. پارامترهای α_منو w_من(k) از طریق تجزیه و تحلیل رگرسیون چند خطه ، و استحکام پیروی از روند c تخمین زده می شود_منو حداکثر زمان تاخیر k_منبا فرآیند دیگری که در 2. 3 توضیح داده شده است تعیین می شود. تجزیه و تحلیل رگرسیون چند خطه فقط هنگامی که δ z انجام شد_من(T) ≠ 0. ما این معادله غیر خطی را با استفاده از عملکرد معکوس مماس هیپربولیک به یک معادله خطی کاهش دادیم و سپس تجزیه و تحلیل رگرسیون چند خطه را انجام دادیم.

بعد متوجه شدیم که ضرایب W_من(k) تقریباً به صورت نمایی فروپاشی می کند ، به موجب آن می توان بازه زمانی مشخصه روند را با بازه زمانی پوسیدگی در شکل 2 (d) تعریف کرد. پس از تعیین حداکثر زمان تاخیر k_منو دانه های زبانی زمان به گونه ای که ضریب تعیین شده تعیین () حداکثر طول می کشد ، ما سه نمونه از ضرایب رگرسیون را با توابع نمایی تقریبی نشان می دهیم (شکل 2 (D)). ضریب تعیین است و n_منتعداد نمونه ها است. ما ویژگی معمولی ضرایب را برای سه معامله گر (ششم ، 65 و 180) پیدا کردیم که شکل نمایی آنهاست ، (4) با ثابت های زمانی مختلف τ_منو ارتفاعات D_من، حداقل برای قسمت بدن ضریب. این یافته نه تنها برای این سه معامله‌گر، بلکه برای 161 معامله‌گر نیز به‌وسیله مقیاس‌بندی w نشان داده شده است._من/ د_من(شکل 2(D))، که در آن بدنه توزیع ها علی رغم چندین انحراف به خصوص در اطراف دم، تقریباً روی منحنی اصلی نمایی فرو می ریزد. توجه داریم که در صورت عدم وجود تعداد کافی نقاط داده، نتوانستیم فرم تابع دم را شناسایی کنیم. در واقع، حداکثر تأخیر زمانی معمولی پنج است و برای نتیجه‌گیری اینکه آیا دم واقعی از عملکردهای دیگری مانند دم قدرت-قانون تبعیت می‌کند یا خیر کافی نیست. خوشبختانه، با این حال، بخش بدن تابع وزن مهمترین عامل برای اندازه گیری روندها است و بنابراین ما از تابع برازش نمایی برای سادگی در این مقاله استفاده کردیم.

این نتیجه شواهد مستقیمی را نشان می دهد که EMA یک معیار معمولی برای اندازه گیری روند قیمت بازار است [12]. ما از این نمودارها داده‌های معامله‌گرانی را حذف کردیم که مجموع مجذور خطاها (SSE) پیش‌بینی با d نرمال شده است._مناز 0. 1 به عنوان آستانه اتصال فراتر می رود. یازده معامله‌گر از دنبال‌کنندگان روند EMA حذف شدند و در میان خوشه‌های دنبال‌کننده روند غیرEMA طبقه‌بندی شدند. ما زمان مرجع را برای معامله گر i به عنوان حاصلضرب فاصله تیک بهینه j تعریف می کنیم_منبا ثابت زمانی تخمینی τ_من. اگر فقط یک نقطه داده وجود داشته باشد که سطح معنی داری را برای همبستگی برآورده کند، از رویه برازش صرف نظر می کنیم و τ را فرض می کنیم_من= 1.

2. 3 تعیین قدرت پیروی از روند ج_منو حداکثر زمان تاخیر k_مندر معادلات (2) و (3)

ما راه تعیین هر دو c را توضیح می دهیم_منو ک_مندر معادلات (2) و (3) معرفی شده است. ما روش تکرار زیر را با بازه زمانی درشت دانه j انجام دادیم که از 1 تا 20 تیک متغیر است.

1. P1. مجموعه c_من= 5 و به عنوان مقادیر اولیه. در اینجا یک کاندیدای K_من.
2. P2. محاسبه .
3. P3. تجزیه و تحلیل رگرسیون چند خطی را برای سری های زمانی به عنوان یک رگرسیون و آنهایی که به عنوان رگرسیون انجام می دهند.
4. P4. اگر مقدار p ضریب به دست آمده در بالا کمتر از آستانه باشد، ضریب به دست آمده را از نظر آماری معنادار در نظر می گیریم. سپس این فرآیند را افزایش داده و تکرار می کنیم تا . رجوع کنید به رفر.[13] برای محاسبه p-value. در این تجزیه و تحلیل، ما 0. 001 را برای آستانه p-value استفاده می کنیم که در Ref نیز استفاده شده است.[14].
5. P5. زمانی که آخرین مقدار p ضریب بالاتر از آستانه باشد، این فرآیند تکرار را متوقف کرده و تنظیم می کنیم.
6. P6. رابطه بین میانگین تغییرات قیمت محدود و روند را بر اساس W به دست آمده محاسبه کنید_منو ک_من، و سپس یک C جدید را محاسبه کنید_منبا قرار دادن عملکرد مماس هایپربولیک و همچنین.
7. p7. هنگامی که تفاوت نسبی بین C فعلی و قبلی_منبزرگتر از 1 ٪ است ، ما به روند P2 تکرار می کنیم. در غیر این صورت ، فرایند تکرار برای J داده شده خاتمه یافته است. ما این اتصالات C را تکرار می کنیم_من100 بار برای همگرایی. توجه داشته باشید که ، در این مطالعه ، سه معامله گر از زمان C آنها به خوشه نشینی غیر EMA طبقه بندی شدند_منبرای تمام فواصل زمانی درشت دانه همگرا نشده است.

2. 4 تجزیه و تحلیل سفارش بازار

ما توضیح می دهیم که چگونه فاصله زمانی را که توسط معامله گران در تصمیم گیری برای صدور سفارشات بازار به آن اشاره می شود ، تعیین می کنیم. نمونه داده های نمونه ای که سفارشات بازار توسط دو معامله گر واقعی صادر شده است (شکل 3 (الف)) ، و معامله گران نیز به نظر می رسد پاسخ های متفاوتی نسبت به روند قیمت دارند به دلایلی مشابه که در تجزیه و تحلیل مرتبه محدود توضیح داده شده است. توجه داشته باشید که معامله گران مجاز هستند قیمت معامله قابل قبول را به سفارشات بازار وصل کنند. اگر بهترین قیمت فعلی از آن قیمت بدتر باشد ، یک سفارش بازار از بین می رود. برای تجزیه و تحلیل نحوه پاسخگویی معامله گران به روندها ، ما از رگرسیون لجستیک در روش موازی برای تجزیه و تحلیل سفارشات حد استفاده کردیم.