High Frequency Trading in a limit order book1

Marco Avellaneda & Sasha Stoikov

April 24, 2006
(정리 : 황석주)

Abstract
본 연구는 주식 딜러가 limit order book에서 매수와 매도 호가를 제출하는 전
략에 대한 것이다. Agent는 주식의 중간값(mid-price)의 확산적인(diffusive) 특
성으로 인한 재고 위험과, 시장의 매수 및 매도 호가가 도달하는 Poisson 빈도
에 의한 거래 위험을 갖는다. Agent의 문제를 최대 지수 효용(maximal
exponential utility) 프레임웍으로 설정하고, 2단계에 걸쳐 문제의 해를 도출한
다. 첫째, 딜러가 현재 재고로 주어진 주식에 대해 개인적인 무차별 가치
(indifference valuation)를 계산하고, 둘째, 시장의 limit order book에 대한 딜
러의 매수 및 매도 호가를 보간(calibrate)한다. 이러한 재고 전략과 단순한 최
우선호가 전략의 P&L에 대해 시뮬레이션으로 비교했을 때, 재고 전략이 P&L
에 있어 더 높은 수익률과 낮은 분산을 갖는다는 것을 알 수 있다.

1. Introduction

증권시장에서 딜러의 역할은 매수와 매도 가격을 제시하여 거래소에 유동성을 제공하는 것이다.
전통적으로 이런 역할은 시장조성자(market-maker)나 스페셜리스트(specialist)들이 담당했지만, 최
근 거래소의 전산화가 발달함에 따라 누구든 지정가 주문을 제시할 수 있다면 딜러의 역할을 담
당할 수 있게 되었다. 본 논문에서는 limit order book 2 에서 매수/매도 호가를 제출하는 데 있어
최적 주문 전략에 대해 살펴본다.
딜러의 가격 전략에 대해서는 미시구조(microstructure) 논문들에서 많이 연구되어 왔다. 딜러가
직면하게 되는 위험에 대해 가장 많이 언급되는 것은 (i)자산의 가치 변화의 불확실성으로 인한
재고 위험(inventory risk) 3 , (ii)정보를 보유한 트레이더와의 정보 비대칭성으로 인한 위험 등이 있
다. 본 논문에서는 재고효과(inventory effect)에만 초점을 맞춘다. 또한, 지정가 주문을 실행하는
에이젼트(agent)는 시장에 유일하고, ‘true price’는 시장의 중간가격(mid-price)로 주어진다고 가정

1
본 문서는 Marco Avellaneda & Sasha Stoikov의 “High-frequency trading in a limit order book”(2006)을 번역한 것
임. 각주는 모두 원저자의 것은 아니고, 이해를 돕기 위해 추가한 것임.
2
Limit order book이란 지정가 주문에 대해 가격우선으로 체결이 이루어지는 거래 원장을 말한다.
3
재고위험(inventory risk)는 보유하고 있는 자산의 미래 가격 변화에 의한 위험, 즉 변동성에 대한 위험이다.

1
한다.4
최적 매수/매도 호가는 직관적인 2단계 절차에 의해 이루어진다. 첫째, 딜러는 현재 보유한 재
고로 주식에 대한 개인적인 무차별 가치(indifference valuation)를 계산한다. 둘째, 딜러는 limit
order book에 대한 매수/매도 호가를 보간(calibrate)하는데, 이때 중간값으로부터의 거리에 대한
함수로 호가가 체결될 확률을 고려하여 계산한다.

2. The model

2.1 주식의 중간가격 (The mid-price of the stock)

모형의 단순화를 위해서 자본시장에 이자는 없다고 가정하면, 주식의 중간가격은 다음과 같은
Brownian motion 으로 모형화 할 수 있다.

S t = s + σWt (2.1)

여기서, Wt 는 표준 브라운 운동(standard one-dimensional Brownian motion)5 이다.

2.2 The optimizing agent with finite horizon

Agent의 목적은 구간 시간 T에서 손익에 대한 기대 지수 효용(expected exponential utility) 6 를

극대화하는 것이다.

먼저, 시장에 주문을 실행하지 않고 단지 종료시간 T 까지 q 만큼의 주식을 보유한 트레이더를

모형화 해본다. Agent의 가치 함수(value function)은 다음과 같다.

v(x, s, q, t ) = Et (− exp(− γ ( x + qS T )))

x : 초기자산
γ : 위험선호도
x + qS T : T 기의 총 자산

4
True price란 특정 자산의 가치를 100% 표현하는 가상의 가격을 말한다. 딜러가 매수/매도 호가를 동시에 제출할 때
기준을 삼는 가격이 된다.
5
Standard one-dimensional Brownian motion에서 기대값은 0, 분산은 σ 2 ∆t 가 된다.
6
효용함수(utility function)이란 2차 미분 가능한 함수로, 자산( w )에 대한 효용 U (w) 로 표현된다. U (w) 는 non-
satiation(재화가 증가할수록 효용은 계속 증가, U ′(w ) > 0 ), risk aversion(위험 회피, U ′′(w) < 0 )의 속성을 갖는다.

exponential utility는 지수함수 형태의 효용함수로, U (w) = − exp(− Aw ) 형태를 갖는다.

2
 위 식을 풀어보면,7
v(x, s, q, t ) = Et (− exp(− γ ( x + qS T )))
= Et (− exp(− γ ( x + q(s + σWT ))))
= − exp(− γx ) exp(− rqs )Et (exp(− γqσWt )) (2.2)

1 
= − exp(− γx ) exp(− γqs ) exp γ 2 q 2σ 2 (T − t )
2 

b
이제 reservation price 8 를 상정해보자. reservation bid price( r )란 현재 포트폴리오에서
효용에는 변화를 주지 않으면서 주식 1주를 더 매수할 수 있는 매수 가격을 의미한다. 반대로
a
reservation ask price( r )는 효용에 변화를 주지 않으면서 주식 1주를 매도할 수 있는 매도가격이
된다. 이런 관계를 아래와 같이 표현할 수 있다.

( )
v x − r b (s, q, t ), s, q + 1, t = v( x, s, q, t )
(2.3)
v(x + r (s, q, t ), s, q − 1, t ) = v( x, s, q, t )
a

a b
(2.2)와 (2.3)을 이용해서 r 와 r 를 구해보면 다음과 같다.

1
r a (s, q, t ) = s + (1 − 2q ) γσ 2 (T − t )
2
1
r b (s, q, t ) = s + (−1 − 2q ) γσ 2 (T − t )
2

위 두 가격을 평균해 reservation price를 구할 수 있다.

r (s, q, t ) = s − qγσ 2 (T − t )

이 reservation price는 mid-price에 대한 조정값으로 생각할 수 있다9. 즉, agent가 매수 포지션을

보유하고 있다면(q>0) reservation price는 mid-price(s) 보다 작게 되고, agent가 매도 포지션을
보유하고 있다면(q<0) reservation price는 mid-price보다 크게 된다.

1
− aµ + a 2σ 2
7
ε ~ N (µ , σ 2 ) 일때, ( )
E e − aε = e 2
이 된다
8
Reservation price란 “유보가격”으로 번역할 수 있는데, 경매 등에서 매수/매도를 할 때 지불할 수 있는 최대/최소 가
격을 의미한다.
9
본 연구에서 제시하는 딜러의 최적 매수/매도 호가는 mid-price가 아니라 reservation price를 기준으로 제출하는 전략
이다.

3
2.3 The optimizing agent with infinite horizon

위의 reservation price는 시간에 따라 변하는 값이다. 불변적인 값(the stationary version)을

계산하기 위해서 infinite horizon 상의 reservation price를 구해본다.

v(x, s, q ) = E  ∫ − exp(− ωt ) exp(− γ ( x = qS t ))dt 

∞

 0 

여기서 stationary reservation price를 구해보면,

a
r (s , q ) = s +

1
ln1 −
(2q + 1)γ 2σ 2 
γ  2ω − γ 2 q 2σ 2 
b 1 
r (s, q ) = s + ln1 −
(2q − 1)γ 2σ 2 
γ  2ω − γ 2 q 2σ 2 
1
ω > γ 2 q 2σ 2
2

Parameter ω는 가질 수 있는 inventory의 최대값으로 해석할 수 있다. 즉, 가격이 위와 같이

1
제한된다고 할 때, ω = γ 2 (q max + 1)2 σ 2 이라 할 수 있다.
2

2.4 Limit orders

이제 mid-price 주변으로 지정가 주문을 실행하는 agent로 돌아와 보면, agent는 매수가격

p b 와 매도가격 p a 로 각각 매수/매도 주문을 실행한다. 시장가 주문은 각 매수/매도 가격을

누르거나 들어올리게 되며, 매수/매도 가격의 움직임에는 아무 비용이 없다.
Mid-price와의 거리(distance)는,

δ b = s − pb
δ a = pa − s

가 되고, 현재 limit order book이 어떻게 구성되어 있는가에 따라 시장에서 대량주문이

실행되었을 때 체결의 우선순위가 결정된다.
예를 들어, Q 수량의 주식 매수주문이 시장에서 발생했을 때, 가장 낮은 매도 호가에서 체결이
이루어 진다. 이때 체결은 mid-price보다 높은 가격에서 이루어 지기 때문에 일시적인 시장

4
충격(temporary market impact)을 가져오게 된다. 만약 p Q 를 가장 높은 체결 가격이었다고 하면,
일시적인 시장 충격을 아래와 같이 정의할 수 있다.

∆p = p Q − s

Agent의 지정가 주문이 이 범위 내에 있다면, 즉, δ a < ∆p 이면, agent의 지정가 주문은

체결이 될 것이다.

시장에서 매수 주문이 agent의 매도 주문을 들어올리는 빈도는 Poisson rate 10 λa (δ a ) 를

따르고, λa (δ a ) 는 δa 에 대한 감소함수로 가정한다. 같은 방식으로, 매도 주문은 agent의

매수주문을 내리누르게 되는데, 이 빈도는 Poisson rate λb (δ b ) 를 따르고, λb (δ b ) 는 δ b 에 대한

감소함수로 가정한다. 직관적으로, agent의 매수/매도 호가가 mid-price로부터 멀리 떨어져

있을수록 시장의 매수/매도 주문을 덜 받게 될 것이다.
자산(wealth)과 재고(inventory)는 이제 stochastic하고, 시장의 매수/매도 주문들에 영향을
받는다. 실제로, 자산은 매번 매수/매도 주문이 발생할 때마다 움직이게 되므로,

dX t = p a dN ta − p b dN tb
N ta : agent가 매도한 주식의금액
N tb : agent가 매수한 주식의금액

으로 표시할 수 있다. 이때 N ta 와 N tb 는 각각 λa 와 λb 를 intensity로 갖는 Poisson process

이다. 시간 t에 보유하고 있는 주식의 수량은 아래와 같이 표시할 수 있다.

q t = N tb − N ta

Agent의 목표는 아래와 같이 표시할 수 있다.

u (s, x, q, t ) = max E t (− exp(− γ ( X T + qT S T )))

δ a ,δ b

여기서는 agent가 자신의 매수/매도 호가를 통제하고, 시장에서 발생하는 주문들에 간접적으로

10
포아송(Poisson) 분포는 일정 기간내에 무작위로 발생하는 사건의 통계량에 관한 분포이다. 딜러가 주문을 제출했을
때 해당 주문이 시장에서 발생하는 다른 주문들에 의해 호가표 상에서 위치가 변하거나 체결이 이루어지므로, 시장에서
발생하는 주문들의 빈도를 포아송 분포로 모형화한다.

5
영향을 받게 된다는 점에서 앞에서 설명되었던 내용과는 다르다.

이 문제에 대한 해를 구하기 전에, λa (δ a ) 와 λb (δ b ) 의 함수 형태를 알아본다.

2.5 The trading intensity

이제 Poisson 강도(intensity) λ 가 mid-price와의 거리 δ 로 표현되는 방법에 대해 알아보자.

이를 위해서는 (i) 시장가 주문들의 최종 빈도 (ii) 시장가 주문 수량(size)에 대한 분포 (iii) 대량
시장가 주문의 일시적 충격(temporary impact) 등의 통계량이 필요하다. 이런 통계량을 모아보면

λ는 지수 함수나 거듭제곱(power law) 함수 형태로 감소해야 한다는 것을 알 수 있다.

편의상, Λ 를 시장가 매수나 매도 주문의 빈도를 나타내는 상수로 가정한다. 이는 하루동안
거래된 총 거래량을 당일 시장가 주문의 평균 수량(size)으로 나누어 구할 수 있다.
시장가 주문의 수량에 대한 분포 11 는 몇몇 연구에서 거듭제곱 법칙(power law)을 따른다고
알려져 있다. 즉, 시장가 주문 수량의 밀도함수(density)는,

f Q ( x ) ∝ x −1−α (2.5)

이고, α 값은 미국시장의 경우 1.53 (Gopikrishnan et al. [4]), NASDAQ은 1.4 (Maslow and Mills
[9]), Paris Bourse는 1.5 (Gabaix et al. [3]) 이다.
시장 충격 통계량에 대해서는 아직 여러 의견들이 있는데, 이는 시장 충격에 대한 정의와 측정

방법 등에서 합의가 이루어지지 못하고 있기 때문이다. 몇몇 연구에서 시장가 주문 수량 Q 에

대한 가격 변화 ∆p 는

∆p ∝ Q β (2.6)

이고, β 는 Gabaix et al.[3]에서는 0.5, Weber and Roswnow [14]에서는 0.76으로 추정하였다.

Potters and Bouchaud [11]은 아래의 함수가 더 적합하다는 것을 발견했다.

∆p ∝ ln (Q ) (2.7)

이런 정보들을 모아, agent의 주문이 체결되는 Poisson intensity를 도출해 볼 수 있다. 이

intensity는 agent의 호가와 mid-price와의 거리에만 종속된다. 즉, 매도 주문들에 대해서는

λb (δ b ) , 매수 주문들에 대해서는 λa (δ a ) 에 종속된다. 예를 들어, (2.5)와 (2.7)을 이용해 아래를

11
시장에 도달하는 매 주문의 주문수량이 갖는 본포를 말함

6
도출한다.

λ (δ ) = ΛP(∆p > δ )
= ΛP(ln(Q > Kδ ))
= ΛP(Q > exp(Kδ ))
∞
= Λ ∫ x −1−α dx
exp ( Kδ )

= A exp(− kδ )

Λ
where A= and k = αK
α

Power price impact (2.6)의 경우에는 아래 형태의 intensity를 도출할 수 있다.

α
λ (δ ) = B(δ )− β

혹은, 아주 짧은 기간의 유동성에 대해 시장충격 함수는 limit order book의 밀도함수를

적분하여 바로 구할 수도 있다. 이는 “가상의(virtual)” 가격 충격으로 부르기도 하는데, Smith et al.
[12]와 Weber and Rosenow [14]에서 설명되어 있다.

3. The solution

3.1 Optimal bid and ask quotes

다시 한 번, 가치 함수(value function)의 형태로 주어진 agent의 목표는 아래와 같다.

u (s, x, q, t ) = max Et (− exp(− γ ( X T + qT S T ))) (3.1)

δ a ,δ b

이런 형태의 최적 딜러 문제(optimal dealer problem)은 Ho and Stoll [6]에 의해 처음

연구되었는데, 해당 연구의 핵심중에 하나는 동적 프로그래밍(dynamic programming principle)을
이용해 다음의 Hamilton-Jacobi-Bellman 방정식으로 함수 u 의 해를 구할 수 있다는 것이다.

7
 1
( )[ ( )
u t + σ 2 u ss + max δ b λb δ b u s, x − s + δ b , q + 1, t − u (s, x, q, t )
2
]
( )[ ( )
+ max δ a λa δ a u s, x + s + δ a , q − 1, t − u (s, x, q, t ) = 0 ]
u (S , x, q, t ) = − exp(− γ ( x + qS ))

위의 비선형 PDE의 해는 변수 s, x, t에 대해 연속이고, 이산 변수인 inventory q에 종속되어

있다. Exponential utility를 이용하면 위의 문제는 아래와 같이 단순화 된다.

u (s, x, q, T ) = − exp(− γx ) exp(− γθ (s, q, t )) (3.2)

이제 아래와 같이 도출된다.

1 1
θ t + σ 2θ SS − σ 2 γθ S2
2 2

+ max δ b 
( )[
 λb δ b b 
]  λa δ a
1 − e γ (s −δ − r )  + max δ a 
b ( )[ a a 
]
1 − e −γ (s +δ − r )  = 0 (3.3)
 γ   γ 

θ (s, q, T ) = qs

앞의 2.2장에서 정의한 reservation bid 와 ask를 (3.2)를 통해 구해보면 아래와 같다.

r b (s, q, t ) = θ (s, q + 1, t ) − θ (s, q, t )

(3.5)
r a (s, q, t ) = θ (s, q, t ) − θ (s, q − 1, t )

(3.3)의 1차 최적 조건(first order optimality condition)에서 아래와 같은 최적 거리 δ b와 δ a 의

관계식을 구해보면 다음과 같다.

 

1 λb δ b
s − r b (s, q, t ) = δ b − ln1 − γ b
( )  (3.6)
γ 

∂λ
δb ( ) 
 ∂ δ 

8
  

1
r (s, q, t ) − s = δ − ln1 − γ
a a λa δ a ( )  (3.7)
γ 

∂λa a
δ ( ) 
 ∂δ 

요약하면, 최적 매수/매도 호가는 직관적으로 2단계 작업을 통해 구할 수 있다. 첫째,

PDE(3.3)을 풀어서 reservation bid와 ask 가격을 구한다. 둘째, (3.6)과 (3.7)의 내재방정식(implicit

equation)을 풀어서 mid-price와 optimal bid and ask 각각과의 거리인 δb와 δa 를 구한다. 이
b a
두번째 과정은 현재 시장의 공급( λ )과 수요( λ )에 대한 ‘무차별’ 가격의 calibration으로 해석할
수도 있다.

3.2 Approximations and numerical simulations

이제 전략의 효율성을 검증하기 위해 현재 P&L profile의 모양과 최종 재고 qT 에 초점을 맞춰

시뮬레이션을 해본다. 이 전략을 “재고 전략”(inventory strategy)라 부르기로 하고, 재고와
무관하게 mid-price에서 같은 간격을 갖는 호가를 제시하는 benchmark strategy와 비교해보자.
“최우선 호가 전략”(best bid/best ask strategy)은 M 을 시장 스프레드라고 했을 때 매수/매도
M M
호가를 s − , s+ 으로 각각 제출하는 전략이다. 또 다른 전략으로는 “재고 전략”과 동일한
2 2
스프레드를 사용하지만 reservation price 대신에 mid-price를 사용하는 것으로, “대칭
전략”(symmetric strategy)라고 부르자.
계산상 편의를 위해서, exponential arrival rates를 다음과 같이 가정한다.

λ (δ ) = Ae − kδ (3.8)

이런 가정은 2.5 절에서 설명한 Potters and Bouchaud [11]의 결과를 이용했다. 시간 간격을

dt 로 잡으면 다음 관계를 통해 A의 값을 얻을 수 있다.

M
 M k
λ  − dt = Ae 2 dt = 1 (3.9)
 2 

M
방정식 (3.9)는 만약 mid-price에서 δ =− 의 거리로 지정가 주문을 제출하면, 이 지정가
2
주문은 필연적으로 dt 내에 체결이 이루어지는 시장가 주문이 된다는 것을 의미한다.

1단계 작업으로, (3.3)을 푸는 대신에 (3.4)와 (3.5)의 indifference bid and ask를 얻기 위해 2.2

9
절의 suboptimal bid and ask의 평균을 사용한다. 즉,

r (s, q, t ) = s − qγσ 2 (T − t ) (3.10)

b a
을 r 와 r 대신에 사용한다. 2단계 작업으로 (3.8)의 exponential order arrival function을
(3.6)과 (3.7)에 대입하고, (3.10)의 reservation price를 사용해 아래의 식을 구한다.

1  γ
δ b = γqσ 2 (T − t ) + ln1 +  (3.11)
γ  k
1  γ
δ a = −γqσ 2 (T − t ) + ln1 +  (3.12)
γ  k

“재고 전략”에서는 (3.10)의 reservation price를 중심으로 아래와 같은 고정된 스프레드로

호가를 제출한다.

2  γ
δ a +δ b = ln1 + 
γ  k

T = 1, σ = 2, dt = 0.005, q = 0, γ = 0.1, k = 1.5, M = 0.5 로 두면, 최적 스프레드

a b
δ + δ = 1.29 가 된다. 이 값을 이용해 mid-price, reservation(indifference) price, optimal bid
and ask를 그려보면 아래와 같은 그림을 얻을 수 있다.

그림1. The mid-price, indifference price and the optimal bid and ask quotes

10
 위 그림에서, indifference price가 mid-price보다 낮을 때, (3.10)의 관계에 따라 inventory

position qT 는 양의 값을 가져야 한다. t=0.5 시점에서 보면 이런 관계를 발견할 수 있다.

Agent는 positive inventory로 인해 매도를 원하기 때문에 매수/매도 호가는 mid-price보다 낮다.
Mid-price보다 낮은 매수/매도 호가는 자연히 시장의 매수 주문을 불러오고, 이는 재고가 다시
0이 되고 mid-price와 indifference price가 겹치게 되는 t=0.55에서 확인할 수 있다.
반면, t=0.25 에서는 indifference price가 mid-price보다 높고, inventory position은 음의 값을
가져야 한다(주식을 short). 매수 호가가 mid-price 주변에서 공격적으로(aggressively) 제출되어
있으므로, 재고는 t=0.3에서 빠르게 0이 된다. 끝시간에 가까워질수록 indifference price는 mid-
price에 근접하고, “재고 전략”은 점점 “대칭 전략”과 비슷하게 호가를 제출하게 된다. 끝시간에
가까워지면 mid-price가 급격히 변할 가능성이 거의 없어지므로 inventory position 역시 덜

위험한 것으로 생각할 수 있다.

이제 1000번의 시뮬레이션을 통해 “재고 전략”과 “최우선 호가 전략”을 비교해보자. 수익의

평균 및 표준편차와 최종 재고 값은 아래 [표 1]에서 볼 수 있다.

표 1. 1000 simulations with γ = 0.1

재고 전략에서 qT 의 표준편차는 2.80이고 최우선호가 전략에서 표준편차는 9.56이다. 이는,

재고전략은 재고가 양의 값일 때 매도하고, 음의 값일 때 매수하는 경향이 있기 때문이다. 놀라운

사실은, 재고전략에서 P&L이 더 높은 수익과 낮은 표준편차를 보인다는 점이다. 최우선호가
전략이 이런 낮은 수익률을 보이는 이유는, 최우선호가 전략에서 사용하는 스프레드 $0.50 값이
재고전략의 스프레드 $1.29보다 굉장히 낮기 때문이다. 직관적으로, 최우선호가 전략에서

매도/매수 호가는 재고전략보다 훨씬 많은 주문을 받지만(시장가 주문이 호가에 도달), 재고

전략이 (시장가)주문을 받을 때 더 많은 이익을 남긴다.
이제 재고전략과 대칭전략을 비교해보자. 대칭전략은 재고전략과 동일한 스프레드, 즉
2  γ
δ a +δ b = ln1 +  를 사용하지만, mid-price를 중심으로 호가를 제출한다. $1.29의
γ  k
스프레드를 사용하는 대칭전략의 성과가 역시 [표 1]에 표시되어 있다. 대칭전략은 재고전략보다
더 높은 수익률과 더 높은 표준편차를 갖는다. 대칭전략이 재고전략보다 약간 더 높은 수익을
얻는 것은 mid-price를 중심으로 호가를 제출하기 때문에 재고전략보다 더 많은 주문을 받기

11
때문이다. 그러나, 재고전략은 아래 [그림 3]과 같이 더 낮은 수익률의 분산을 갖는다.

그림 2. γ = 0.1 그림 3. γ = 0. 1

γ = 0.01 일 때의 재고전략과 대칭전략에 대해서는 아래 [표 2]에 나타나있다. γ 가 작다는

것은 투자자가 위험 중립(risk neutral)에 가깝다는 것을 의미한다. 이때 [그림 4]에 나타나 있는

것처럼 재고효과는 훨씬 작게되고, 두 전략의 차이는 점점 작아진다. 사실 γ →0인 limit에서 두

전략은 동일(identical)하다.

표 2. 1000 simulations with γ = 0.01

마지막으로, γ = 0. 5 일 때의 두 전략의 성과를 보면 아래 [표 3]과 같다. 이는 매우

위험회피적인 투자자로, 재고를 갖고 있는 것을 굉장히 싫어하는 투자자이다. 이때 재고전략은

매우 낮은 수익률의 표준편차를 가지면서 적당한 수익을 얻는다. ([그림 5] 참조)

표 3. 1000 simulations with γ = 0. 5

12
 그림 4. γ = 0.01 그림 5. γ = 0. 5

[참고문헌]

[1] B. Biais, L. Glosten and C. Spatt, The Microstructure of Stock Markets, Working paper (2004)
[2] J. –P. Bouchaud, M. Mezard and M. Potters, Statistical Properties of Stock Order Books:
Empirical Results and Models, Quantitative Finance, 2 (2002), 251-256
[3] X. Gabaix, P. Gopikrishnan, V. Plerou, H.E. Stanley, A Theory of Large Fluctuations in Stock
Market Activity, MIT Department of Economics Working Paper No. 03-30
[4] P. Gopikrishnan, V. Plerou, X. Gabaix and H.E. Stanley, Statistical Properties of Share Volume
Traded in Financial Markets, Physical Review E, 62 (2000) R4493-R4496
[5] T. Ho and R. Macris, Dealer Bid-Ask Quotes and Transaction Prices: An Empirical Study of

Some AMEX Options, Journal of Finance, 39, (1984) 23-45

[6] T. Ho and H. Stoll, Optimal Dealer Pricing under Transactions and Return Uncertainty, Journal
of Financial Economics, 9 (1981) 47-73
[7] T. Ho and H. Stoll, On Dealer Markets under Competition, Journal of Finance, 35 (1980) 259-
267
[8] H. Luckock, A Steady-state Model of the Continuous Double Auction, Quantitative Finance, 3
(2003) 385-404
[9] S. Maslow and M. Mills, Price Fluctuations from the Order Book Perspective: Empirical Facts
and a Simple Model, Physica A, 299 (2001) 234-246.
[10] M. O’Hara, Market Microstructure Theory, Blackwell, Cambridge, Mas-sachusetts (1997).
[11] M. Potters and J.-P. Bouchaud, More Statistical Properties of Order Books and Price Impact,
Physica A: Statistical Mechanics and its Applications, 324 (2003) 133-140.

13
[12] E. Smith, J.D. Farmer, L. Gillemot and S. Krishnamurthy, Statistical Theory of the Continuous
Double Auction, Quantitative Finance, 3 (2003) 481-514.
[13] H.R. Stoll, Market Microstructure, Handbook of the Economics of Finance, Edited by G.M.
Constantinides et al. North Holland (2003).
[14] P. Weber and B. Rosenow, Order Book Approach to Price Impact, Quantitative Finance, 5
(2005) 357 - 364.

14