Com a modernização do mercado financeiro, além da automatização de várias tarefas, uma grande quantidade de dados ficou disponível para operadores e pesquisadores utilizarem na criação de modelos e indicadores para entender o comportamento de investidores e seu impacto nos preços. Entre as várias formas de previsão, o Processo de Hawkes tem sido explorado como uma forma simples e flexível de analisar a dinâmica da microestrutura do mercado financeiro por meio da interação de eventos. Este trabalho implementa o processo de Hawkes multivariado para fazer previsões do movimento do preço-médio entre a melhor oferta de compra e de venda do livro de ofertas de ativos. Os resultados demonstraram uma precisão de aproximadamente 70% para previsão durante um período de 23 dias de um ativo de grande liquidez. Além disso, este trabalho apresenta a exploração de um algoritmo de negociação usando o método de Hawkes e apresenta a comparação dos resultados com estimativas feitas por meio de uma rede neural. Por fim, este projeto mostra os principais desafios para tornar este processo de Hawkes viável para problemas de previsão de preço em aplicações em tempo real. Por exemplo, a aceleração da computação de funções necessárias para os ajustes de parâmetros que ocorre periodicamente.

With the modernization of the financial market and automation of various tasks, a large amount of data has become available for investors and researchers to create models and indicators to understand the market behavior and its impact on prices. Among the various forms of forecasting, the Hawkes Process has been explored as a simple and flexible way to analyze the dynamics of financial market microstructure through the interaction of events. This paper implements the multivariate Hawkes process to predict the mid-price movement between the best bid and ask in an order book of an asset. The results demonstrated a forecasting accuracy of approximately 70% over 23 days for a highly liquid asset. In addition, this paper presents the exploration of a trading algorithm using Hawkes method and presents a comparison of the results with estimates made using a neural network. Finally, this project highlights the main challenges in making this Hawkes process feasible for price prediction problems in real-time applications. For example, the acceleration of the computation of functions needed for parameter settings that occurs from time to time.