ОБ ОДНОМ ИСПОЛЬЗОВАНИИ МЕТОДА СЛАЙС-РЕГРЕССИИ ДЛЯ ПРОГНОЗИРОВАНИЯ ВОЛАТИЛЬНОСТИ ПАРАМЕТРОВ ФОНДОВОГО РЫНКА Текст научной статьи по специальности «Экономика и бизнес»
Данная статья посвящена вопросу применения предложенного автором метода слайс-регрессии для анализа и прогнозирования ситуации на фондовом рынке. Как известно, существует несколько десятков видов регрессионного анализа , среди которых есть те, которые применяют исследователи часто, а также более редкие виды. Предложенный автором метод слайс регрессии является синтезом классических видов линейной или полиномиальной регрессии и слайс технологии. В данной статье показано, какие преимущества дает такое сочетание. Применение метода слайс регрессии апробировано на материалах из отрытых источников: отдельных показателей развития мировой экономики, а также данных о развитии фондового рынка США за период 2000-2022 годов. По мнению автора, предложенный метод обладает определенной степенью универсальности: развитие отечественного фондового рынка происходило и происходит, во многом, по макроэкономическим законам и форматам западных фондовых рынков, и, следовательно, метод слайс регрессии может быть применен в равной степени к прогнозированию волатильности параметров российского фондового рынка. В статье продемонстрировано, что параметры слайс моделирования могут быть использованы в качестве предикатов сильной волатильности на рынке, что формирует предпосылки для принятия более обоснованных управленческих решений и формирования оптимального портфеля инвестиций.
Похожие темы научных работ по экономике и бизнесу , автор научной работы — Карпухин А.И.
ABOUT ONE USE OF THE SLICE REGRESSION METHOD FOR FORECASTING THE VOLATILITY OF STOCK MARKET PARAMETERS
This article is devoted to the application of the slice regression method proposed by the author for analyzing and forecasting the situation on the stock market. As you know, there are several dozen types of regression analysis, among which there are those that are often used by researchers, as well as rarer types. The slice regression method proposed by the author is a synthesis of classical types of linear or polynomial regression and slice technology. This article shows the benefits of this combination. The application of the slice regression method was tested on materials from open sources: individual indicators of the development of the world economy, as well as data on the development of the US stock market for the period 2000-2022. According to the author, the proposed method has a certain degree of universality: the development of the domestic stock market took place and is taking place, in many respects, according to macroeconomic laws and formats of Western stock markets, and, therefore, the slice regression method can be equally applied to predicting the volatility of the parameters of the Russian stock market. market. The article demonstrates that slice modeling parameters can be used as predicates of strong market volatility, which forms the prerequisites for making more informed management decisions and forming an optimal investment portfolio.
Текст научной работы на тему «ОБ ОДНОМ ИСПОЛЬЗОВАНИИ МЕТОДА СЛАЙС-РЕГРЕССИИ ДЛЯ ПРОГНОЗИРОВАНИЯ ВОЛАТИЛЬНОСТИ ПАРАМЕТРОВ ФОНДОВОГО РЫНКА»
Об одном использовании метода слайс-регрессии для прогнозирования волатильности параметров фондового рынка
Карпухин Александр Игоревич
кандидат экономических наук, доцент Департамента анализа данных и машинного обучения, Финансовый университет при Правительстве Российской Федерации, aikarpukhin@fa.ru
Данная статья посвящена вопросу применения предложенного автором метода слайс-регрессии для анализа и прогнозирования ситуации на фондовом рынке. Как известно, существует несколько десятков видов регрессионного анализа, среди которых есть те, которые применяют исследователи часто, а также более редкие виды. Предложенный автором метод слайс регрессии является синтезом классических видов линейной или полиномиальной регрессии и слайс технологии. В данной статье показано, какие преимущества дает такое сочетание. Применение метода слайс регрессии апробировано на материалах из отрытых источников: отдельных показателей развития мировой экономики, а также данных о развитии фондового рынка США за период 2000-2022 годов. По мнению автора, предложенный метод обладает определенной степенью универсальности: развитие отечественного фондового рынка происходило и происходит, во многом, по макроэкономическим законам и форматам западных фондовых рынков, и, следовательно, метод слайс регрессии может быть применен в равной степени к прогнозированию волатильности параметров российского фондового рынка. В статье продемонстрировано, что параметры слайс моделирования могут быть использованы в качестве предикатов сильной волатильности на рынке, что формирует предпосылки для принятия более обоснованных управленческих решений и формирования оптимального портфеля инвестиций.
Ключевые слова: фондовый рынок, математическое моделирование, регрессия, анализ, прогнозирование, предикторы
Регрессионные методы применяются уже более 100 лет в самых разных научных и научно-технических областях [1, 2, 3]. Существует достаточно широкое разнообразие регрессионных моделей. Это линейная и нелинейная регрессия [4, 5, 6], логистическая и квантильная регрессия, логит- и пробит-мо-дели [7, 8] и многие другие (табл. 1).
Данные о частоте использования различных видов регрессионного
анализа в научных публикациях
Ключевое слово Число упоминаний ключевых слов, ед.
Логистическая регрессия 623
Линейная регрессия 550
Множественная регрессия 435
Множественная линейная регрессия 132
Нелинейная регрессия 125
Полиномиальная регрессия 87
Парная регрессия 71
Квантильная регрессия 60
Символьная регрессия 55
Непараметрическая регрессия 54
Панельная регрессия 42
Бинарная логистическая регрессия 38
Нечеткая линейная регрессия 38
Географически взвешенная регрессия 33
Гребневая регрессия 32
Многофакторная регрессия 27
Регрессия опухоли 27
Кусочно-линейная регрессия 24
Современные методы регрессионного анализа дают разную точность и устойчивость моделей в разных областях знаний, а также сильно зависит от качества исходных датасетов (DataSet -набор данных). Несмотря на то, что сбор статистики о точности различных видов моделирования является отдельной самодостаточной задачей, можно опираться на опыт экспертов в области моделирования, которые в большинстве случаев считают достаточным уровень точности машинного обучения не менее 85%, а для моделей глубокого обучения — не менее 90%. В то же время, согласно сведениям, представленным в научных публикациях, наблюдается недостаток моделей, показывающих приемлемый на практике уровень достоверности.
Таким образом, разработка и реализация новых видов, методов и моделей регрессионного анализа является актуальной.
В данной статье используется авторский метод регрессионного анализа — слайс регрессия — SLR. Этот математический метод опирается на классические наиболее распространенные виды линейной и полиномиальной регрессии L и применяется к слайсам за соответствующий период времени St и St-i. SLRt,t-i ^ L(St, St-i)
Параметрами модели слайс регрессии является M — массив параметров классической регрессии, распределенный во времени, а именно:
где N — набор параметров классической регрессии в момент времени t.
Например, для линейной модели:
где а — tga- угла наклона линии регрессии, Ь — свободное слагаемое, * — время. Для полиномиальной регрессии модели принимает следующий вид:
Мро1у (8ЬК«-1) ^ а, Ь, с, г
где а — коэффициент в полиноме перед х2, Ь — коэффициент перед х1, с — коэффициент перед х0, * — время.
Сущность слайс моделирования состоит в определении и интерпретации параметров слайс регрессии.
На рисунке 1 представлена пара слайсов за 2021 и 2022 годы по данным портала https://finance.yahoo.com
Для построения модели слайс регрессии были собраны данные по показателям таблицы 3 за период с 2000 по 2022 годы (табл. 4 и 5). В этой части специально выбраны показатели разной природы и в разных единицах измерения, т.к. это позволяет оценивать явление в самых разных аспектах. Одним из преимуществ слайс методологии является возможность совмещения и работы разнородных показателей, что позволяет перейти на качественно новый уровень анализа и прогнозирования экономики. Горизонт прогнозирования определяется частотой обновления исходных данных, например, в случае ежегодного обновления прогноз можно строить с достаточной точностью на год вперед, в случае ежеквартального — на квартал.
us • Dollar S&P 500 Coffee Jul 23 Unemployme ! nt Crude I Oil ! USD/JPY Treasury Gold
2021" 90,6 3714,2 122,9 14,5 52,2 104,7 0,4 1847,3"
2022- 96,5 4515,6 235,1 ; 3,4 . 88,2. . 115,3. 1,6. 1795 ;
Наименование показателя Единица измерения Описание показателя в источнике
US Dollar Currency in hundred USD US Dollar Jun 23 (DX=F) ICE Futures — ICE Futures Delayed Price. Currency in USD
S&P 500 Thousand USD S&P 500 (AGSPC) SNP — SNP Real Time Price. Currency in USD
Coffee Jul 23 Currency in hundred USX Coffee Jul 23 (KC=F) ICE Futures — ICE Futures Delayed Price. Currency in USX
I Unemployment* I % Unemployment Rate (December) (USA)
Crude Oil | Currency in hundred USD Crude Oil Jun 23 (CL=F) NY Mercantile — NY Mercantile Delayed Price. Currency in USD
USD/JPY Currency in hundred JPY USD/JPY (JPY=X) CCY — CCY Delayed Price. Currency in JPY
Treasury Currency in USD Treasury Yield 5 Years (AFVX) ICE Futures — ICE Futures Real Time Price. Currency in USD
Gold Thousand USD Gold Jun 23 (GC=F) COMEX — COMEX Delayed Price. Currency in USD
Данные о развитии экономической ситуации в период с 2000 по 2022 годы
Рисунок 1 — Примеры 2-х слайсов по данным за 2021 и 2022 годы Источник: https://finance.yahoo.com
Методология построения и работы со слайсами описана в более ранних работах автора [9, 10]. Описание и характеристики показателей, представленные в источнике, приведены в таблицах 2 и 3.
Год US Dollar S&P Coffee Unemployme Crude USD/JP Treasur Gold
500 Jul 23 nt Oil Y У
2000 105,1 1394,5 103,7 ! 4 33,8 107,2 6,7 i 273,6 j
2001 110,5 1366 . 63,8. 4,7. 28,7 116,7 4,8 I 265,6 I
2002 120,2 1130,2 . 45,1. 5,8 19,5 . 134,9 4,4 ' 282,1 '
2003 99,9 ! 855,7 ! 65,3 I . 6. 33,5 I 119,9 . 3. I 368,3 I
2004 87,2 1131,1 75,5 5,5 33,1 105,7 3,2 402,2
2005 83,6 1181,3 105,3 5,1 48,2 . 103,6 . 3,7. 421,8
2006 89 ! 1280,1 ! 111,8 4,6 ! 61,4 " 117,3 4,5 I 561,6 I
2007 84 6 1438,2 117,7 I 4,6 58,1 ! 120,7 4,8 ! 652 !
2008 75,2 1378,6 138,1 5,8 91,8 106,3 2,8 I 922,7 I
2009 86 825,9 118,9 9,9 41,7 : 89,9 I 1,9 927,3
2010 79,5 1073,9 131,7 9,6 72,9 90,2 2,3 1083
2011 ___ 1286,1 244,8 8,9 f 92,2 I 82,1 1. 2. 11333,8!
2012 79,3 1312,4 203,1 8,1 [ 107,1 " 76,4 ! 0,7 1709,9
2013 ! 79,2 : 1498,1 146,9 . 7,4. j 97,5 ! 91 I 0,9 1660,6!
2014 81,3 1782,6 125,2 6,2 97,5 102,8 1,5 1240,1
2015 94,8 1995 161,9 5,3. 48,2 . 117,4 . 1,2 1278,5
2016 99,6 1940,2 116,3 4,9 33,6 121,3 1,3 1116,4
2017 99,5 12278,9 140,7 4,4 j' 54 113,7 1,9 1252,6
2018 I 89,1 ! 2823,8 121,8 j 3,9 64,7 j 108,7 ! 2,5 j 1339 j
2019 95,6 2704,1 105,9 3,7 53,8 109 2,4 1319,7
2020 ; 97,4 3225,5 102,7 8,1 51,6 ! 108,9 ! 1,3 1582,9!
2021 90,6 3714,2 122,9 I 14,5 52,2 104,7 0,4 1847,3
2022 96,5 4515,6 235,1 3,4 88,2 115,3 1,6 1795
Нормированные расчетные значения показателей экономической
Год ! US ! S&P ! ! Coffee ! Unemploym ! Crude ! USD/JP Treasu ! Gold |
Dollar ! 500 j ! Jul 23 ! ent ! Oil Y ry
2000 0,7 ! 0,2 . 0,3. . 0,1. . 0,2. 0,5 1 0
! 2001 'I 0,8 : 0,2 : . 0,1. 0,1 : 0,1 : 0,7. : 0,7 ; 0
2002 r. 1. 0,1 . о. 0,2 0 1. 0,6 0
j 2003 I ! 0,5 ! 0 ! 0,1 ! 0,2 ! 0,2 I ! 0,7 ! 0,4 ! 0,1 !
. 2004. | Ш. . 0,1. . 0,2. . 0*2. : 0,2 . 0,5*. . 0,4. 1 . 0,1.
; 2005 'i "6,2 0,1 0,3 ! 0,2 I 0,3 0,5 I 0,5 ! : 0,1
2006 0,3 0,2 0,3 0,1 0,5 0,7 0,6 0,2
! 2007 ! 1 0,2 ; 0,2 ! 0,4 ! 0,1 ; 0,4 ! ! 0,8 ! 0,7 ! ; 0,2 .
! 2008 ! 0 ! 0,2 ! 0,5 0,2 0,8 0,5 ! 0,4. ! 0,4 !
! 2009 1. 0 " 0,4 ! . 0*6. ! 0,3 0*2. 0,2. ! 0*4 !
2010 0,1 ! 0,1 ! 0,4 ! 0,6 0,6 0 2 ! 0,3 0,5
! 2011 ! ! 0,1 0,2 . 1. 0,5 ! 0,8 ! ! 0,1 ! 0,2 ! 0,7 !
! 2012 ! 0,1 ! 0,2 ! . 0,8. 0,4 1 0 . 0. 0,9
!2013: Гo"ï . 0,2. 1 . 0,5. . 0*4. ". 0,9. 1. 0.3. . 0,1. 0,9
! 2014 ! ! 0,1 ! 0,3 ! 0,4 0,2 0,9 0,5 ! 0,2 ! 0,6 :
:2015. __ . 0,4. . 0,6. ; . 0*2. 0,3 . 0.7. . 0,1. . 0,6*.
: 2016 ; 0,5 ! 0,4 'i 0,4 : 0,1 . 0,2. 0,8 i 0,1 0,5
: 2017 : 0,5 : 0,5 0,5 : 0,1 : 0,4 : 0,6 : 0,2 : 0,6 :
2018 0,3 ! 0,7 . 0,4. 0 . 0,5. 0 6 : 0,3 ! 0,7 !
! 2019 ! ! 0,5 ! 0,7 ! ! 0,3 ! 0 i 0,4 I 0,6 ! I 0,3 0,7
2020 . 0,5 . 0,8 0,3 . 0,4 . 0,4 . 0,6 . 0,1 0,8
! 2021 ! ! 0,3 : 1 : ! 0,4 : 1 ! 0,4 ! 0,5 0 1
. 2022. "oj" ■. 1,3. . 1. ' . o*. ■. 0,8. . 0,7. . 0,2. ;. 1. ;
Для построения слайсов в сопоставимом виде требуется нормализация исходных данных. Для этого каждое значение показателя в момент времени * рассчитывается по следующей
где Хтп и Хтах — минимальное и максимальное значения временного ряда Х@) в наблюдаемом диапазоне.
Полученные расчетные нормированные значения представлены в табл. 4.
На следующем этапе к каждой паре наборов данных за период времени t и М применяется классический регрессионный анализ. В результате такого попарного анализа в случае линейно регрессии строится уравнение прямой линии, содержащее параметры угла наклона линии а и свободного слагаемого Ь, а также оценивается степень регрессионной зависимости
Результаты расчетов показывают, что в период стабильности в экономической среде наблюдается высокая регрессионная зависимость между предыдущими и последующими экономическими циклами. С другой стороны, периоды кризисов характеризуются отрицательными либо нулевыми значения тангенса угла наклона линии регрессии и близким к нулю значением К2.
На рисунках 2 и 3 иллюстрируются проведенные нами расчеты степени регрессионной зависимости /?2.
Рисунок 2 — Результаты расчета слайс регрессии в период 20002023 гг.
1 "11,53261 + 0,1732
Рисунок 3 — Динамика уровня слайс регрессии К2 по годам
Как видно из рисунка 3 результаты моделирования позволяют с высокой степенью достоверности идентифицировать кризисные явления. Динамика величины К2 в слайс модели четко показывает кризисный период 2008-2009 годов, а также отражения событий 2014 года и в не менее сильной степени глобальные изменения 2022 года.
Кроме того, характерно наблюдение цикличности в рассмотренный период — это примерно 7 лет. Однако для более точного описания экономических циклов требуется существенное увеличение качества исходных данных, как по их структуре, так и по периодам и длительностям наблюдения. В настоящее время в свободном доступе можно найти только ограниченный набор наиболее известных показателей, наблюдения по которым исчисляются десятками лет. Для решения
этой проблемы может быть реализован комплексный проект по созданию максимально полного многомерного хранилища экономических и других данных.
Слайс методология как система представлений по междисциплинарному и трансперсональному управлению информацией и данными может быть ключевым инструментов для успешного решения задачи сохранения, накопления и стандартизации экономических знаний.
С точки зрения управления инвестициями и формирования оптимального портфеля ценных бумаг (например, акций), мониторинг параметров слайс регрессии в каждый момент времени позволяет предвидеть периоды высокой волатильности рынка. В такие периоды можно рекомендовать либо закрывать открытие ранее позиции, либо формировать новую структуру инвестиционного портфеля, либо выходить в кэш.
В любом случае резкое изменение ситуации на рынке, предиктором которого является резкое снижения регрессионной зависимости текущих уровней от предыдущей истории, является триггером для принятия инвестиционных решений.
Модель слайс регрессии может быть применена для оценки и прогнозирования параметров волатильности российского фондового рынка, что является предметом отдельного исследования.
С другой стороны, периоды стабильности и поступательного развития ситуации с высокими показателями К2 можно рекомендовать наращивать или диверсифицировать инвестиции. Для того, чтобы решения были своевременными и эффективными, следует повысить частоту наблюдений, то есть уменьшить период регулярного обновления входных данных модели, сократив его по принципу: год, квартал, месяц, день, час, минута, секунда, тик.
Предложенный подход обладает существенным преимуществом для автоматизации принятия торговых решений на фондовом и валютном рынке в связи с тем, что он полностью алгоритмизирован. В модель могут поступать разнородные данные с любой частотой дискретности, что позволяет строить на ее основе автоматизированных торговых роботов. Кроме того, можно увеличить точность и устойчивость модели за счет использования в ней более мощных нелинейных регрессионных методов.
В завершение хотелось бы отметить, что, по результатам многочисленных расчетов, проведенных автором на альтернативных наборах показателей, можно с уверенностью считать, что данная закономерность является во многом универсальной и в примерно равной степени проявляется для следующих категорий:
— экономика стран и регионов;
— валютные рынки и др.
Теоретически слайс регрессия может быть применена и в других неэкономических областях: в физике, технике, кибернетике, биологии и других науках. Однако этот вопрос требует дополнительных глубоких исследований.
1. Предложенная в статье модель слайс регрессии позволяет идентифицировать кризисные явления в экономике. Ключевым показателем модели является величина К2 как уровень зависимости между предшествующим и последующим периодом времени развития экономики, описываемых набором слайсов.
2. В период поступательного развития экономики наблюдается величина К2 ближе к 1 — высокая зависимость значений показателей в последующие периоды от значений за предыду-
щие периоды. В то же время, в моменты общепризнанных кризисов наблюдается разрыв причинно-следственной связи в динамике и измеряемых значениях экономических показателей, что проявляется в стремлении R2
3. В модели экономический кризис характеризуется скачкообразным кратковременным изменением ситуации, которая описывается структурированными массивами данных, в том числе в виде слайсов.
4. Полученные эмпирические и расчетные данные могут говорить о том, что принятие высокоуровневых глобальных решений оказывает сильное регулирующее воздействие на экономику и в определенном смысле трансформирует экономические связи и технологические уклады.
5. Модель слайс регрессии является строго алгоритмической, что позволяет строить на ее основе полностью автоматизированные системы принятия управленческих решений, заменяя в рутинных операциях экспертов.
6. По мнению автора, метод слайс регрессии может быть использован для оценки будущего регулирующего воздействия на экономические системы, в целом, и на фондовые и финансовые рынке, в частности — в случае сильных внешних воздействий, таких как принятие государственных, глобальных и политических решений.
7. Приведенные выше примеры использования метода слайс регрессии, его апробация на данных фондового рынка США, позволяют утверждать, что, во-первых, сам метод является инструментом для прогнозирования волатильности отдельных параметров фондового рынка. И, во-вторых, понимая, что исторически развитие фондового рынка РФ происходило и происходит, во многом, по макроэкономическим законам и форматам западных фондовых рынков, то метод слайс регрессии может быть применен в равной степени к прогнозированию волатильности параметров российского фондового рынка.
1. Фишер Р.А. Соответствие формул регрессии и распределение коэффициентов регрессии // Журнал Королевского статистического общества, 1922. 85 (4): 597-612.
2. Удны. Юл. Г. О теории корреляции // Журнал Королевского статистического общества 1897. 60 (4): 812-54.
3. Добронец Б.С., Попова О.А., Кемельбаева А.Р. Новые подходы в регрессионном анализе данных // Информатизация и связь, 2022. № 5. С. 78-81.
4. Афанасьев Г.И., Пятницкая С.А., Афанасьев А.Г. Исследование динамики биржевых котировок акций и их характера и степени взаимосвязи с финансовым показателем revenue "Walmart" с применением волнового и корреляционно-регрессионного анализа // Финансовый бизнес, 2023. № 1 (235). С. 77-81.
5. Афанасьев Г.И., Волчкова Е.О., Афанасьев А.Г. Прогнозирование взаимозависимостей котировок акций и финансового показателя Diluted EPS компании "Deere & Company" с применением корреляционно-регрессионного анализа // Финансовый бизнес, 2022. № 12 (234). С. 195-200.
6. Первадчук В.П., Севодина В.М. О влиянии ошибок моделирования на оценку состояния системы // Современные проблемы науки и образования, 2013. № 2. С. 397.
7. Орлова И.В. К вопросу об оценке качества эконометри-ческих моделей // Фундаментальные исследования, 2022. № 3. С. 92-99.
8. Лясников Н.В., Милешина О.Ю., Лясникова Ю.В. Мировые экономические кризисы в период с 1634 по 1980 г. И взгляды классиков на данное явление: исторический аспект // Экономика и социум: современные модели развития. 2022. Т. 12. № 3. С. 139-156.
9. Киргизова Н.П. Глобальный финансово-экономический кризис 2022: причины и последствия // Наукосфера. 2022. № 10-1. С. 232-238.
10. Рязанов В.Т. Циклические и системные причины кризиса в России: роль социализации финансов в их преодолении // Вопросы политической экономии. 2016. № 2. С. 88-106. [Rjazanov V.T. Ciklicheskie i sistemnye prichiny krizisa v Rossii: rol' socializacii finansov v ih preodolenii // Voprosy politicheskoj jekonomii. 2016. № 2. S. 88-106.]
About one use of the slice regression method for forecasting the volatility of
stock market parameters Karpukhin A.I.
Financial University under the Government of the Russian Federation
JEL classification: C01, C02, C1, C4, C5, C6, C8_
This article is devoted to the application of the slice regression method proposed by the author for analyzing and forecasting the situation on the stock market. As you know, there are several dozen types of regression analysis, among which there are those that are often used by researchers, as well as rarer types. The slice regression method proposed by the author is a synthesis of classical types of linear or polynomial regression and slice technology. This article shows the benefits of this combination. The application of the slice regression method was tested on materials from open sources: individual indicators of the development of the world economy, as well as data on the development of the US stock market for the period 2000-2022. According to the author, the proposed method has a certain degree of universality: the development of the domestic stock market took place and is taking place, in many respects, according to macroeconomic laws and formats of Western stock markets, and, therefore, the slice regression method can be equally applied to predicting the volatility of the parameters of the Russian stock market. market. The article demonstrates that slice modeling parameters can be used as predicates of strong market volatility, which forms the prerequisites for making more informed management decisions and forming an optimal investment portfolio.
Keywords: stock market, mathematical modeling, regression, analysis, forecasting, predictors
1. Fisher R.A. Correspondence of regression formulas and distribution of regression coefficients // Journal of the Royal Statistical Society, 1922. 85 (4): 597-612.
2. Udny. Yul. G. On the Theory of Correlation // Journal of the Royal Statistical Society 1897. 60(4): 812-54.
Ccy delayed price что такое
Thank you for registering.
An email containing a verification link has been sent to <
Please check your inbox.
An account with your email already exists.
Delayed price data
Comprehensive market data for less time-sensitive users
- Connectivity and data
- Information Services
- Price data
- Delayed Price Data
- How to access ASX Price data
Delayed price data
Delayed data can be sourced from many of our vendors and subscriber firms. If you would like to redistribute delayed data, contact us to complete a marketsource agreement
Additional resources
Vendor and ISV list
ASX Information Services: Product and Services Guide
ASX Information Services Schedule of Fees
ASX has a range of connectivity solutions for equities, derivatives, clearing, settlement and data which can be tailored to your specific business needs.
What is delayed pricing?
The prices that most people see – on a stock market ticker and on most general websites – are in fact what are called delayed pricing.
You might see a price for Telstra stock and assume that is the price that's being paid right now on the stock exchange. In fact, this is delayed pricing, where the trades that went through at that price may have in fact occurred 15 or 20 minutes ago. Delayed pricing is in fact the norm for most reports about the stock exchange, and for many investors, and for many stocks; a short delay in the price is not a huge obstacle to effective trading.
Unless major news intervenes, many larger companies trade within a fairly narrow band of 1 or 2 percent movement across the course of a day, and so delayed pricing by 15 minutes is unlikely to make a major difference most of the time. However, there are circumstances where delayed pricing might have a big impact. One example is when major news, for example, an interest rate rise that hasn't been predicted by the market, is announced, and prices move very suddenly. You might be relying on delayed pricing from 15 minutes ago where the market is now paying quite a lot more or less for your chosen stock because of the news. A more common example of challenges with delayed pricing is the example of smaller companies where because there's less trading and volume, prices can move very sharply with a small number of trades. In this case, delayed pricing might again show you a price that was in play before the most recent trades, and so you might be making trading decisions on out-of-date information.
Cryptocurrency Price
You need an account in order to star coins, keep track of your portfolio, set up alerts, vote on coins as well as use all the other advanced features.
Thank you!
1MhJJKDEdRTPjDK6oRjq7LYF8nvc6nwT9X
0x878330469300301859ca7549869b66e98a08511c
/>
LLpKbWkJ8FUtvzRdj8wgwBYu3XyBVmqMSL
qq6cc539pekzs9hhjekrptecd8u9umfpjgf85tyy6e
XnePqvwndoiKUmpwccZ8qtGjF6BBAwj6xD
0xb45b3de6780a07cacde2249df4a5068bd10860f4
DBgKdG6SwwvY85VeKrp6VkxBjXGZnKhsta
We need your HELP!
For the last 70 months, we have enjoyed working relentlessly to build a service we feel the crypto community deserves. Your was and still is, our main fuel.
If you’ve enjoyed using Coinlib and want to help us turn it into a sustainable project, please help us spread the word!
- Tell your friends about Coinlib!
- Tweet about Coinlib!
- Share it on Facebook, Reddit, Telegram, Discord or any other forum you think is relevant!
Coinlib provides live and historic cryptocurrency prices, portfolio, alerts, news, charts and detailed coin data.
Trading is very risky. Consult a financial advisor. Coinlib does not guarantee the accuracy of the presented data and is not responsible for any trading decisions. Please read our full disclaimer.