<  Retour au portail Polytechnique Montréal

HFT Data Visualization

Javad Yaali

Mémoire de maîtrise (2021)

Document en libre accès dans PolyPublie
[img]
Affichage préliminaire
Libre accès au plein texte de ce document
Conditions d'utilisation: Tous droits réservés
Télécharger (2MB)
Afficher le résumé
Cacher le résumé

Résumé

Le trading à haute fréquence (HFT, pour “High Frequency Trading”) est un type de trad- ing basé sur des infrastructures à haut débit. Les machines de trading génèrent d'énormes quantités de messages de trading difficiles à explorer pour les chercheurs financiers et les traders. Les outils de visualisation des données financières se concentrent généralement sur la gestion de portefeuille et l'analyse des relations entre le risque et le rendement. Outre la relation risque-rendement, il existe d'autres caractéristiques qui attirent les chercheurs financiers comme la liquidité1 et les événements de mouvements rapides des indicateurs de marché. Les chercheurs HFT peuvent extraire ces caractéristiques des données HFT car elles montrent tous les détails des mouvements du marché. Dans ce mémoire, nous pro- posons une méthodologie de visualisation, que nous appelons HFTViz, conçue pour aider les chercheurs en données financières à explorer l'ensemble de données HFT fournies sur le marché d'échange NASDAQ. HFTViz fournit un tableau de bord complet visant à faciliter l'exploration des données HFT. HFTViz propose un design à deux niveaux. Premièrement une vue d'ensemble du marché à une date précise. Deuxièmement, après avoir sélectionné quelques actions à étudier en détail, la visualisation fournit également une vue détaillée des messages de trading, des volumes de trading et des mesures de liquidité. Nous évaluons la méthodologie proposée en réalisant une études de cas regroupant cinq experts du domaine, dans laquelle nous illustrons l'utilisabilité de HFTViz.

Abstract

High Frequency Trading (HFT), mainly based on high speed infrastructure, is one element of the trading industry. However, trading machines generate enormous quantities of trad- ing messages that are difficult to explore for financial researchers and traders. Visualization tools of financial data usually focus on portfolio management and the analysis of the rela- tionships between risk and return. Beside risk-return relationship, there are other features that attract financial researchers like liquidity2 and moments of flash crashes in the market. HFT researchers can extract those features from HFT data since it has shown every detail of the market movement. In this work, we present HFTViz, a visualization tool designed to help financial researchers explore the HFT dataset provided on NASDAQ exchange. HFTViz provides a comprehensive dashboard aimed to facilitate HFT data exploration. HFTViz con- tains two sections. It first proposes an overview of the market on a specific date in order to enable user for selecting different stocks. After selecting some stocks to investigate in detail, HFTViz also provides a detailed view of the trading messages, the trading volumes and the liquidity measures. Also, in the details panel, HFTViz provides synchronous hovering and zooming for controlling the level of details for all stocks simultaneously. In order to evalu- ate our work, we did two case studies gathering five domain experts and we illustrate the usefulness of HFTViz, which eases their analysis process [1].

Département: Département de génie informatique et génie logiciel
Programme: Génie informatique
Directeurs ou directrices: Thomas Hurtut
URL de PolyPublie: https://publications.polymtl.ca/9728/
Université/École: Polytechnique Montréal
Date du dépôt: 14 avr. 2022 14:05
Dernière modification: 06 avr. 2024 18:00
Citer en APA 7: Yaali, J. (2021). HFT Data Visualization [Mémoire de maîtrise, Polytechnique Montréal]. PolyPublie. https://publications.polymtl.ca/9728/

Statistiques

Total des téléchargements à partir de PolyPublie

Téléchargements par année

Provenance des téléchargements

Actions réservées au personnel

Afficher document Afficher document