Bid-Ask Spread as a Predictive Indicator of Future Returns Across Various Markets

Abstract

Diplomová práce zkoumá, zda bid-ask spread, snadno pozorovatelný ukazatel tržní likvidity, může predikovat krátkodobé výnosy aktiv napříč akciemi, cizími měnami a kryptoměnami, a jak lze tyto informace využít v automatizovaném obchodování. Minutový panel pokrývající šedesát instrumentů po dobu 120 obchodních dnů je sestaven z vysoce frekvenčních dat o cenách, kvótách, objemech a zprávách. Pomocí fixních a náhodných efektů regresní analýza ukazuje, že širší spready jsou následovány ekonomicky vyššími výnosy, přičemž nejvýrazněji se tento efekt projevuje u akcií z finančního a zdravotnického sektoru, na asijských trzích a v měnových i kryptoměnových trzích. Na základě těchto zjištění jsou natrénovány dva modely hlubokého učení založené na transformerové architektuře - Hubertus, který zahrnuje informace o bid-ask spreadu, a Radegast, který nikoliv. Předběžné testy mimo trénovací vzorek naznačují, že zařazení spreadu může zlepšit přesnost predikcí, ačkoliv tento přínos je omezený a citlivý na volbu modelu. Modely jsou implementovány v aplikaci AutoStock Trader, cloudové mikroservisní aplikaci, která streamuje reálná data, generuje predikce a provádí rebalancování portfolia. Týdenní simulace v reálném čase ukazuje praktickou realizovatelnost celého systému a shrnuje možnosti dalšího zlepšení výkonu.

This thesis investigates whether the bid-ask spread, a commonly observable proxy for market liquidity, can predict short-horizon asset returns across equities, foreign-exchange pairs, and major crypto-assets, and how that information can be exploited in automated trading. A minute-level panel covering sixty instruments over 120 trading days is constructed from high-frequency price, quote, volume, and news feeds. Fixed- and random-effects regressions show that wider spreads are followed by statistically higher returns, with the effect strongest in financial and healthcare equities, Asian venues, and both FX and crypto markets. Building on these findings, two Transformer-based deep-learning models - Hubertus, which incorporates bid-ask features, and Radegast, which does not - are trained to forecast future returns. Preliminary out-of-sample tests suggest that adding spread information can enhance predictive accuracy, although the gain is modest and sensitive to the modeling choices. The models are embedded in AutoStock Trader, a cloud-native micro-service application that streams real-time data, generates forecasts, and executes portfolio rebalancing. A live one-week simulation demonstrates end-to-end feasibility and highlights avenues for further performance gains.