Predicting the intraday stock jumps is a significant but challenging problem in finance. Due to the instantaneity and imperceptibility characteristics of intraday stock jumps, relevant studies on their predictability remain limited. This paper proposes a data-driven approach to predict intraday stock jumps using the information embedded in liquidity measures and technical indicators. Specifically, a trading day is divided into a series of 5-minute intervals, and at the end of each interval, the candidate attributes defined by liquidity measures and technical indicators are input into machine learning algorithms to predict the arrival of a stock jump as well as its direction in the following 5-minute interval. Empirical study is conducted on the level-2 high-frequency data of 1271 stocks in the Shenzhen Stock Exchange of China to validate our approach. The result provides initial evidence of the predictability of jump arrivals and jump directions using level-2 stock data as well as the effectiveness of using a combination of liquidity measures and technical indicators in this prediction. We also reveal the superiority of using random forest compared to other machine learning algorithms in building prediction models. Importantly, our study provides a portable data-driven approach that exploits liquidity and technical information from level-2 stock data to predict intraday price jumps of individual stocks.

中文翻译：

---

使用流动性指标和技术指标预测股价盘中上涨

预测盘中股价上涨是金融领域一个重要但具有挑战性的问题。由于日内股票跳涨的瞬时性和不可察觉性，对其可预测性的相关研究仍然有限。本文提出了一种数据驱动的方法，使用嵌入在流动性措施和技术指标中的信息来预测盘中股票上涨。具体来说，将一个交易日划分为一系列 5 分钟的间隔，在每个间隔结束时，将流动性度量和技术指标定义的候选属性输入机器学习算法，以预测股票跳涨的到来。作为其在接下来的 5 分钟间隔内的方向。对深交所1271只股票的2级高频数据进行实证研究以验证我们的方法。结果提供了使用 2 级股票数据的跳跃到达和跳跃方向的可预测性的初步证据，以及在该预测中结合使用流动性措施和技术指标的有效性。我们还揭示了在构建预测模型中使用随机森林与其他机器学习算法相比的优越性。重要的是，我们的研究提供了一种可移植的数据驱动方法，该方法利用来自 2 级股票数据的流动性和技术信息来预测个股的日内价格上涨。结果提供了使用 2 级股票数据的跳跃到达和跳跃方向的可预测性的初步证据，以及在该预测中结合使用流动性措施和技术指标的有效性。我们还揭示了在构建预测模型中使用随机森林与其他机器学习算法相比的优越性。重要的是，我们的研究提供了一种可移植的数据驱动方法，该方法利用来自 2 级股票数据的流动性和技术信息来预测个股的日内价格上涨。结果提供了使用 2 级股票数据的跳跃到达和跳跃方向的可预测性的初步证据，以及在该预测中结合使用流动性措施和技术指标的有效性。我们还揭示了在构建预测模型中使用随机森林与其他机器学习算法相比的优越性。重要的是，我们的研究提供了一种可移植的数据驱动方法，该方法利用来自 2 级股票数据的流动性和技术信息来预测个股的日内价格上涨。