Does the limit order book provide valuable information to forecast returns ?

The purpose of this thesis is to analyze returns forecasting adopting an innovative dataset based on the limit order book. As a matter of fact, until now the prediction of returns has been studied mainly adopting datasets that include only the first level of the book and contain solely information about orders’ executions. The most important indicator used for this scope was the order flow, that explaines the imbalance between buy and sell transactions. More recently, academics started to expand this research topic adopting limit order book data, that are the most complete datasets in terms of types of orders included and number of book levels. In particular, researchers have developed some indicators using limit order book: they try to demonstrate that these indicators embed some information capable of improving the explaination of returns. In this work have been analyzed daily limit order book datasets of NASDAQ’s Historical TotalView- ITCH. More specifically, the datasets consists of limit order book of five stocks listed on the U.S. market of NASDAQ: Amazon (AMZN), Google (GOOG), Intel (INTC) and Microsoft (MSFT). The analysis is divided into three parts. First of all, the data have been sampled using two types of sampling schemes: one based on calendar time and the other on volume time. After having obtained equispaced intervals, two types of book indicators were selected for the analysis. In one case they explain the order book shape and in the other case they assess the implicit cost of trading for an investor that wants to buy or sell a specific quantity of shares in a precise moment. Book indicators are then calculated for each stock and for all the sampling schemes. Finally, was developed an econometric model to test their ability in returns’ forecasting and, in particular, to see if they are able to improve the prediction made solely by order flow. The results confirm that they actually bring an important contribution to returns forecasting, especially in the case of volume time sampling scheme.

Lo scopo di questa tesi è quello di analizzare la previsione dei rendimenti adottando un dataset innovativo basato sul limit order book. Infatti, fino a qualche anno fa, la previsione dei rendimenti veniva fatta utilizzando per lo più dei dataset che includevano un solo livello del book e informazioni riguardanti le sole transazioni. L’indicatore più importante che veniva usato a scopo previsionale era l’order flow, che è in grado di spiegare lo sbilanciamento che esiste tra acquisti e vendite. Di recente gli accademici hanno iniziato ad ampliare questo filone di ricerca, utilizzando i dati provenienti dal limit order book che sono i più esaustivi in temini di tipi di ordine inclusi e di numero di livelli del book. In particolare, gli studiosi hanno ideato alcuni indicatori usando il limit order book per cercare di dimostrare che questi sono in grado di migliorare la previsione dei rendimenti. In questo lavoro di tesi sono stati analizzati dati giornalieri provenienti dal limit order book del NASDAQ’s Historical TotalView- ITCH. Nello specifico i dataset riguardano i limit order book giornalieri di cinque azioni quotate nel mercato americano del NASDAQ: Amazon (AMZN), Google (GOOG), Intel (INTC) and Microsoft (MSFT). L’analisi è divisa in tre parti. Per prima cosa, i dati sono stati campionati utilizzando due schemi di campionamento: quello basato sul tempo calendario e quello basato sul tempo volume. Dopo aver ottenuto intervalli equispaziati, sono state selezionate due tipologie di indicatori di book che verranno adottate nell’analisi. In un caso spiegano la cosiddetta “forma del book” mentre nel secondo caso quantificano i costi di transazione impliciti per un investitore che ha l’intenzione di vendere o acquistare un determinato numero di azioni in un preciso momento della giornata. Questi indicatori vengono poi calcolati per ogni azione e per tutti i tipi di campionamento adottati. Infine è stato sviluppato un modello econometrico che testa la loro abilità nel predire i rendimenti ed in particolare verifica se siano effettivamente in grado di migliorare le previsioni fatte utilizzando solo l’order flow. I risultati confermano che gli indicatori di book aggiungono un importante contributo per la previsione dei rendimenti, in particolare nel caso del tempo volume.