Jump detection in high-frequency order prices
高频订单价格中的跳跃检测AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究高频订单簿报价、市场微观结构噪声、价格跳跃检验及现货波动率估计。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
高频订单价格中的跳跃检测
- 研究问题
- 在限价订单簿报价具有单边微观结构噪声时，如何识别潜在价格过程的跳跃位置与幅度，并提高小跳跃及在线检测能力？
- 方法与思路
- 作者利用最优卖价的局部最小值估计和检测跳跃，构造局部与全局检验，并用极值理论推导无跳跃时最大统计量的渐近分布。
- 材料陈述的贡献
- 摘要称建立跳跃估计一致性、全局检验渐近性质与最优性及现货波动率一致性，并报告较标准噪声模型更快的局部备择速率。
- 阅读关注点
- 应核对单边噪声与半鞅假设、局部窗口及波动率估计条件，以及最优性比较、在线速度优势和有限样本阈值校准的依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出具体收敛速率、最优性条件和数值结果，不同噪声模型下的比较需谨慎解读。
原文摘要
We propose methods to infer jumps of a semi-martingale, which describes long-term price dynamics, based on discrete, noisy, high-frequency observations. Different to the classical model of additive, centered market microstructure noise, we consider one-sided microstructure noise for order prices in a limit order book. We develop methods to estimate, locate and test for jumps using local minima of best ask quotes. We provide a local jump test and show that we can consistently estimate jump sizes and jump times. One main contribution is a global test for jumps. We establish the asymptotic properties and optimality of this test. We derive the asymptotic distribution of a maximum statistic under the null hypothesis of no jumps based on extreme value theory. We prove consistency under the alternative hypothesis. The rate of convergence for local alternatives is determined and shown to be much faster than optimal rates for the standard market microstructure noise model. This allows the identification of smaller jumps. In the process, we establish uniform consistency for spot volatility estimation under one-sided noise. Online jump detection based on the new approach is shown to achieve a speed advantage compared to standard methods applied to mid quotes. A simulation study sheds light on the finite-sample implementation and properties of the new approach and draws a comparison to a popular method for market microstructure noise. We showcase how our new approach helps to improve jump detection in an empirical analysis of intra-daily limit order book data.