Intraday price prediction of Nordic stocks with limit order book data

• Main Author: Bång, Filippa
• Format: Others
• Language: English
• Published: KTH, Skolan för elektroteknik och datavetenskap (EECS) 2020
• Subjects: Computer Sciences; Datavetenskap (datalogi)
• Online Access: http://urn.kb.se/resolve?urn=urn:nbn:se:kth:diva-279300

Predicting the direction of mid price changes could facilitate the decision of when in time an order should be placed on the market. The purpose of this thesis is to evaluate modelling approaches used to classify the direction of mid price changes in the limit order book on short term. Multi-layer perceptron and long short-term memory neural networks are evaluated with two sets of features derived from Nordic limit order book data. When classifying the direction of the mid price on Swedish stock data, an average accuracy score of 0.5 is achieved for multiple of the experiments, which is significant better than the accuracy achieved by the random classifier. However, a majority of the models are prone to consequently classify the price change to be stationary. The results show that including the order flow imbal- ance in the set of features does not improve the predictability of the models. Moreover, we are taking order flow imbalance into account for the mid price modelling. Linear regression is used to model the possible linear relation between the order flow imbalance and price change in the limit order book. Using the model to classify the price change direction results in an accuracy score of 0.36, a value close to the by chance accuracy. === Att förutse riktningen av aktieprisförändringar i orderboken skulle kunna användas för att bestämma när i tiden orderplacering bör ske. Syftet med uppsatsen är att utvärdera modelleringsmetoder för prediktion av kortsiktiga prisförändringar i orderboken för nordisk aktiedata. Multi-layer perceptron och LSTM-nätverk (där LSTM står för long short-term memory) evalueras tillsammans med två uppsättningar features deriverade från orderboksdata. Vid klassificering av prisriktningen i orderboken, uppnås i genomsnitt en riktighet på 50 % för flera av experimenten. En majoritet av modellerna är dock benägna att konsekvent klassificera prisriktningen som oförändrat. LSTM- modellen är den modell som resulterar varierade prisriktningar. Att inkludera obalans i orderflöde som feature resulterar inte i en generell förbättring av förutsägbarheten hos modellerna. Huruvida priset i orderboken efter en trade har en linjär relation till obalansen i orderflödet före en trade testas med en linjär regression. Användning av den linjära modellen för att klassificera riktningen av prisförändringar baserat på orderflödet resulterar i en riktighet på 36 %.