البنية المجهرية للسوق التجريبية

منذ أغسطس 2020، تم تداول أكثر من 800 مليار دولار من عملة البيتكوين المقومة بالدولار الأمريكي على Binance - وهو أكبر رقم حتى الآن. أكبر تبادل بيتكوين. كما هو الحال في الأسواق الأخرى، فإن معظم السيولة المتوفرة في Binance تأتي من صناع السوق: الشركات المستعدة لشراء أو بيع Bitcoin على أمل تحقيق ربح من فروق أسعار العرض والطلب.

ما هي البنية الدقيقة للسوق؟

التعرف على نظرية البنية الدقيقة للسوقzوالحقيقة هي أن تكوين الأسعار يتم تحديده من خلال عوامل داخلية، فضلا عن عوامل خارجية. تلعب السيولة وتأثير السوق وتكاليف المعاملات (الانزلاق) والتقلبات وآليات دفتر أوامر الحد دورًا كبيرًا.

تفترض النظرية الاقتصادية الكلاسيكية للعرض والطلب أن أي مستثمر يرغب في الشراء والبيع بسعر التوازن يمكنه القيام بذلك بشكل عام. في الواقع، فإن عملية شراء أو بيع الورقة المالية تؤدي إلى تغيير سعر السوق؛ الصفقات لها تأثير على السوق.

المستثمر الذي يرغب في شراء أو بيع كمية كبيرة من البيتكوين لن ينفذ الأمر بأكمله مرة واحدة. وبدلا من ذلك، سيفعلون ذلك تدريجيا، مع مرور الوقت، من أجل الشراء بأقل سعر أو البيع بأعلى سعر. ستان دروكينميلر - الذي، مع جورج سوروس، كسر بنك إنجلترا طن 1992 - ذكر مؤخرًا أنه حاولت الشراء 100 مليون دولار من البيتكوين في عام 2018. وبسبب نقص السيولة، استغرق الأمر أسبوعين لشراء 20 مليون دولار، وعندها استسلم.

وبالتالي، فإن تأثير السوق للتجارة يلعب دورا هاما في قرارات المستثمر لشراء أو بيع الأوراق المالية، الأمر الذي يؤثر بدوره على السعر الذي يتداول به هذا الأمن.

ماذا عن سمية تدفق النظام؟

يدخل جميع المشاركين في السوق إلى السوق على أمل تحقيق الربح، إلا أن صناع السوق والمتداولين يكسبون (أو يخسرون) الأموال بطرق مختلفة جوهريًا. يقوم صناع السوق بشراء وبيع البيتكوين على أمل الحصول على فرق سعر العرض والطلب. يقوم المتداولون بشراء وبيع البيتكوين لأن لديهم اعتقادًا مستنيرًا أو غير مطلع حول تغيرات الأسعار المستقبلية.

للحصول على فرق سعر العرض والطلب، يجب على صانعي السوق إدارة مخزون كل من Bitcoin وTether بشكل فعال. عندما تكون تدفقات التداول متوازنة، يمكنهم بيع البيتكوين عند الطلب وشرائه مرة أخرى بسعر العرض، مما يحقق الربح. ومع ذلك، إذا أصبحت تدفقات التداول غير متوازنة للغاية، يصبح من الصعب على صناع السوق تجديد مخزونهم لتحقيق الربح. بشكل عام، سيقوم صناع السوق بعد ذلك بزيادة السعر الذي يتقاضونه مقابل خدماتهم - انتشار العرض والطلب - مما يزيد من تكاليف التداول (الانزلاق) للمتداولين.

يكسب صناع السوق والمتداولون (أو يخسرون) الأموال بطرق مختلفة جوهريًا

يتم تحديد العرض والطلب عند أي من صانعي السوق المستعدين لتوفير السيولة من خلال الدرجة التي يتم بها اختيارهم بشكل سلبي من قبل المتداولين المطلعين. إذا أصبحت تدفقات الأوامر غير متوازنة لأن المتداولين المطلعين يشترون أو يبيعون بيتكوين، فإن تدفق الأوامر يعتبر سامًا.

سمية تدفق الطلب والانهيار المفاجئ

في عام 2010، نشر ثلاثة باحثين من جامعة كورنيل بالتعاون مع مجموعة تيودور للاستثمار مقالًا ورقة واصفًا كيف أن الانهيار المفاجئ لعام 2010 - الذي انخفض خلاله مؤشر داو جونز الصناعي (DJIA) لفترة وجيزة بنسبة 9٪ قبل أن يتعافى على الفور - كان سببه قدر كبير من سمية تدفق الأوامر.

النموذج المستخدم لتحديد تدفق الأوامر السامة - VPIN (الاحتمال المتزامن لحجم التداول للتداول المستنير) - ارتفع إلى أعلى مستوياته على الإطلاق في الساعة التي سبقت الانهيار المفاجئ، وتنبأ بنجاح بما لا يزال يعتبر حدثًا غامضًا.

تلقت ورقة تيودور بعض الاهتمام الإعلامي: بلومبرج البند وأشار إلى أن VPIN يمكن أن "يساعد المنظمين على منع وقوع حوادث مثل انهيار 6 مايو". أظهر الباحثون في مختبر لورانس بيركلي الوطني أن VPIN قام بشكل جيد بالتنبؤ بأحداث التقلبات العالية في أسواق العقود الآجلة من يناير 2007 حتى يوليو 2012.

في الرائعة ورقة في وقت لاحق، يشير نفس المؤلفين إلى أن سمية التدفق العالي لا تجبر صانعي السوق على الخروج من السوق فحسب؛ إذا اضطر صناع السوق إلى التخلص من مخزونهم بخسارة، فيمكنهم استنزاف أي سيولة متبقية بدلاً من توفيرها.

في الساعات التي سبقت انهيار 6 مايو، كان المتداولون المطلعون يبيعون مراكزهم باستمرار لصانعي السوق، الذين واجهوا خسائر متزايدة. وعندما اضطر نفس صناع السوق في نهاية المطاف إلى تفكيك مراكزهم، كانت النتائج كارثية. وعلى حد تعبير الباحثين: "إن السمية الشديدة لديها القدرة على تحويل مقدمي السيولة إلى مستهلكي السيولة".

"السمية الشديدة لديها القدرة على تحويل مقدمي السيولة إلى مستهلكي السيولة" - البنية المجهرية لـ "الانهيار الخاطف"

ولكن ما هو VPN؟

يعتمد VPIN على نموذج PIN، الذي ينظر إلى التداول على أنه لعبة بين ثلاثة أنواع من المشاركين: المتداولين المطلعين، والمتداولين غير المطلعين، وصناع السوق.

يتم تقريب VPIN على أنه الفرق المطلق بين حجم الشراء والبيع خلال نافذة تاريخية. بدلاً من أخذ العينات حسب الوقت، يتم حساب VPIN باستخدام أشرطة حجم ثابتة. على سبيل المثال، يمكنك أخذ عينة مرة واحدة في كل مرة يتم فيها تبادل 1000 بيتكوين.

يميل الحجم إلى الزيادة مع وصول معلومات جديدة إلى السوق، وينخفض ​​عندما لا يحدث ذلك. وبالتالي، فإن أخذ العينات حسب الحجم يشبه أخذ العينات حسب التقلب (وتدفق المعلومات).

يتم تصنيف الأمر على أنه أمر شراء إذا كان المشتري تاجرًا مطلعًا؛ وبالمثل، يتم تصنيف الأمر على أنه أمر بيع إذا كان البائع تاجرًا مطلعًا. المزيد عن تحديد صفقات الشراء والبيع بعد ذلك.

تحديد الصفقات المستنيرة

تصنف قاعدة التجزئة عمليات الشراء والبيع المستنيرة من خلال تحديد المعتدي التجاري، أي الطرف الذي يأخذ التسعير. سيتم مطابقة المتداول الذي يشتري Bitcoin عبر أمر السوق مع أفضل طلب في دفتر الطلبات - أعلى من متوسط ​​سعر العرض والطلب. وهذا يجعله المعتدي. إذا قدم أحد المتداولين أمرًا محددًا لشراء بيتكوين بسعر أقل من متوسط ​​سعر العرض والطلب، فقد يتم تنفيذ هذا الأمر في النهاية إذا قام متداول آخر ببيع بيتكوين بقوة عبر أمر السوق.

تحدد قاعدة التجزئة المعتدي التجاري من خلال الاعتماد على ملاحظة بسيطة. تميل أوامر الشراء القوية إلى زيادة سعر الأصل، حيث يتم مطابقة الأمر مع أدنى طلب في دفتر الطلبات. وبالمثل، تميل أوامر البيع القوية إلى خفض سعر الأصل بعد مطابقة أعلى عرض سعر. ويمكن استخدام تغير السعر اللاحق لتحديد المعتدي التجاري.

يتم تصنيف الصفقات التي تتسبب في زيادة لاحقة في الأسعار على أنها 1 - شراء. يتم تصنيف الصفقات التي تسببت في انخفاض السعر على أنها -1 — بيع. يتم تصنيف الصفقات التي لا تتسبب في تغيير في السعر (لأنها لم تلبي أعلى عرض أو أقل سعر تمامًا) بالعلامة السابقة.

مشاكل مع قاعدة القراد

في حين أن قاعدة التجزئة (بشكل عام) تحدد بنجاح الجانب المعتدي، فإن بعض الأبحاث الحديثة تشير إلى أن التجار من الجانب المعتدي والتجار المطلعين قد لا يكونون متكافئين في الأسواق عالية التردد. على سبيل المثال، يمكن للمتداول المطلع ببساطة إرسال أوامر محددة متعددة عبر دفتر الطلبات، وإلغاء تلك التي لم يتم ملؤها، ويظل يبدو غير مطلع وفقًا لقاعدة التجزئة.

يستخدم التنفيذ الأصلي لـ VPIN نهجًا افتراضيًا يسمى تصنيف الحجم السائب (BVC) لتقريب نسبة حجم الشراء والبيع المستنير في كل شريط (إما على أساس الوقت أو الحجم). تجربتي العملية مع BVC كانت مختلطة إلى حد ما. بدلاً من استخدام BVC، قررت استخدام خيار آخر: استخدام العلامات التجارية التي تحدد ما إذا كان المشتري أو البائع صانع سوق في بيانات Binance Trade الأولية.

تنشر Binance بيانات التجارة المباشرة عبر تدفق Websocket، والتي كنت أقوم بجمعها على خادم AWS منذ أوائل أغسطس من العام الماضي؛ ومن هنا تأتي بياناتي. منذ مارس 2021، يمكنك أيضًا تنزيل البيانات التاريخية هنا.

نظرة على VPN

لقد قمت بحساب VPIN باستخدام قضبان الدولار المتدحرجة مع ما يقرب من 1600 عينة يوميًا بحجم نافذة يبلغ 1000. وهذا يعني أن كل مجموعة حجم لا تكون بنفس الحجم تمامًا. ومع ذلك، فإن الاختلافات ضئيلة، لذلك أشعر بالراحة في استخدام التنفيذ الأصلي دون الحاجة إلى وزن المجموعات الفردية.

على عكس التنفيذ الأصلي، تم تصنيف حجم الشراء والبيع باستخدام علامات مستوى التجارة التي تحدد ما إذا كان المشتري صانع سوق أم لا. وأيضًا، على عكس التنفيذ الأصلي، فإن VPIN ليس ثابتًا.

يبدو أن اختلالات تدفق الطلبات قد انخفضت بشكل ملحوظ خلال العام الماضي مع زيادة القيمة السوقية وحجم تداول البيتكوين. وهذا يتماشى مع الأبحاث التي تظهر أن الأسهم الأكبر لديها فروق أسعار أقل بين العطاءات والطلب، مما يعني ضمنا اختيارا أقل سلبية.

يبدو أن عدم توازن تدفق الأوامر بين أوامر البيع والشراء من الجانب المعتدي التي سبقت التصحيح الأخير – 19 مايو 2021 – في حده الأدنى. يشير مقياس VPIN المنخفض نسبيًا إلى أن السمية لم تلعب دورًا في التصحيح.

في بعض الأحيان، يبدو أن اختلالات تدفق الأوامر المحلية تصل إلى ذروتها قبل حدوث انخفاض كبير في السعر - ويعتبر يومي 12 و18 يونيو أفضل الأمثلة. ومع ذلك، قد يكون هذا مجرد قراءة في الرسم البياني.

توقع تسميات الحاجز الثلاثي باستخدام VPIN

لم يتم تصميم VPIN بالضرورة للتنبؤ بالعائدات المستقبلية. وبدلا من ذلك، فهو يصف فقط متوسط ​​اختلالات تدفق الطلب المرجحة بالحجم على مدى نافذة تاريخية. ولا يمكن بالضرورة استخدام معرفة هذه الاختلالات للتنبؤ باستمرار أو زيادة أو نقصان الاختلالات في المستقبل. ومع ذلك، اعتقدت أنني قد أعطيها فرصة.

لقد استخدمت إعدادًا قياسيًا جدًا اقترحه ماركوس لوبيز دي برادو - ستبدو الفقرة التالية وكأنها هراء بالنسبة لأولئك الذين ليسوا على دراية بالتعلم الآلي المالي، لذا لا تتردد في تخطيها.

لقد قمت بحساب التقلبات المعدلة لعلامات الحاجز الثلاثي لتصنيف العينات إما على أنها مراكز طويلة أو قصيرة. الحد الأقصى لعرض الملصق هو 3.5% في أي من الاتجاهين؛ يتم تصنيف ضربات الحاجز الرأسي من خلال العائد المطلق على طول المركز. لقد قمت بحساب أوزان العينة بناءً على متوسط ​​التفرد. تم تدريب RF باستخدام 100 شجرة، والحد الأقصى للعينات ذات الصلة لكل شجرة، وما لا يزيد عن ميزة واحدة لكل شجرة، والحد الأقصى للعمق 6. يتم قياس البيانات وتطهيرها وحظرها (5٪) والتحقق من صحتها عبر خمس طيات . اقرأ الجزأين الأولين من كتاب ماركوس كتاب إذا كنت مهتما بالتفاصيل.

نظرًا لوجود انقطاع حاد في VPIN في أواخر العام الماضي، فقد قررت استخدام البيانات من الأشهر الستة والنصف الماضية فقط؛ لذلك حوالي شهر من البيانات لكل أضعاف. وهذا يجعل المجموع ~ 250,000 عينة.

كما هو الحال في الورقة الأصلية، قمت بتركيب مقياس VPIN باستخدام توزيع السجل الطبيعي وقمت بتدريب النموذج على CDF الخاص بـ VPIN. لقد استخدمت سبعة أحجام مختلفة من النوافذ: 50، 100، 250، 500، 1000، 2500، و5000. تم رسم منحنيات ROC عبر الطيات الخمس أدناه.

من الواضح أن أداء النموذج أقل من معيار 0.5 AUC في المتوسط، بينما يختلف الأداء عبر الطيات. ومع ذلك، قد لا يكون منحنى ROC ودرجة AUC أفضل طريقة لتقييم أداء (CDF) لـ VPIN.

تقييم الأداء النهائي لـ VPIN

المشكلة في منحنى ROC في التعلم الآلي المالي هي أنها لا تعطي فكرة جيدة عن الأداء النهائي. من الممكن تمامًا – بل ومن المحتمل – ألا يكون لـ VPIN أي تأثير على تكوين الأسعار خلال ظروف السوق العادية. في الواقع، يتوقع صناع السوق تقلبات بين حجم الشراء والبيع؛ هذه مجرد تكلفة ممارسة الأعمال التجارية.

أريد أن أعرف ما إذا كانت سمية تدفق الطلبات المرتفعة أو المنخفضة للغاية خلال ظروف السوق القاسية لها أي قدرة تنبؤية في Bitcoin. يبدو أن الإجابة (أدناه) هي نعم.

نظرة على منحنيات استدعاء الدقة

يرسم منحنى Precision Recall المفاضلة بين Precision وRecall عبر عتبات مختلفة. في هذه الحالة، يظهر أنه عند عتبات عالية جدًا، أي مستويات منخفضة جدًا من الاستدعاء (0.05 وأقل)، فإن متوسط ​​دقة النموذج في تحديد المراكز الطويلة عبر جميع الطيات الخمس يرتفع إلى الخمسينيات العالية (وربما حتى الستينيات). عند عتبة 0.6، عبر جميع الطيات الخمسة، تحدد الغابة العشوائية 75٪ من المراكز الطويلة بشكل صحيح، على الرغم من أن AUC أقل بكثير من 0.5.

يروي منحنى الاستدعاء الدقيق للمراكز القصيرة قصة مماثلة. على الرغم من أن متوسط ​​AUC لا يزال أقل من 0.5 عبر جميع المنحنيات الخمسة، إلا أن هناك ارتفاعًا في الدقة عند عتبات عالية جدًا.

يشير هذا إلى أن VPIN قد لا يتمتع بقدرة تنبؤية إلا في حالات نادرة جدًا - ربما مرة أو مرتين شهريًا في مجموعة البيانات هذه على الأكثر.

دور التقلب

تتصرف الأسواق عمومًا بشكل مختلف تمامًا خلال فترات التقلبات العالية والمنخفضة. تنخفض القدرة على التنبؤ ببعض الميزات بشكل ملحوظ خلال صدمة التقلب، في حين تصبح الميزات الأخرى (بما في ذلك السمات الهيكلية الدقيقة للسوق) أكثر أهمية.

تدابير سمية تدفق الطلب يمكن أن تكون ذات أهمية خاصة في السوق المتقلبة بالفعل، حيث قام صناع السوق بالفعل بتوسيع الفارق الذي يوفرون به السيولة. إذا تم اختيار صانعي السوق بشكل سلبي من قبل متداولين مطلعين، بالإضافة إلى التعامل مع تقلبات الأسعار العالية، فقد يشكل هذا نوعًا من "الضربة المزدوجة" (أنا مجرد تكهنات هنا بالطبع).

لمواصلة هذا الخط من المضاربة، قد يكون صناع السوق أكثر عرضة لتحمل الخسائر في سوق شديدة التقلب. وهذا يزيد من احتمالية تفريغ مخزونهم (كما فعلوا خلال الانهيار المفاجئ عام 2010)، مما تسبب في انخفاض الأسعار.

تقييم VPIN مع عتبة التقلب

تؤدي عتبة التقلب إلى إزالة جميع العينات من مجموعة البيانات حيث يقل التقلب عن مستوى معين. على سبيل المثال، في مجموعة البيانات هذه، تستثني عتبة التقلب 0.02 ما يقرب من ثلاثة أخماس البيانات، ولكنها تؤدي إلى تحسينات كبيرة في المساحة تحت المنحنى، ومنحنى الاستدعاء الدقيق الطويل، ومنحنى الاستدعاء الدقيق القصير.

ترتفع درجة الجامعة الأمريكية بالقاهرة من 0.49 (أسوأ من المصنف العشوائي) إلى 0.55 محترمة. درجة AUC في جميع الطيات باستثناء واحدة أعلى بكثير من المعيار 0.5.

بالنسبة لمنحنيات استدعاء الدقة، يبدو أن إدراج عتبة التقلب قد أدى إلى رفع الدقة بشكل كبير عبر مجموعة متنوعة من العتبات. يبدو أن VPIN يتمتع بقدرة تنبؤية أعلى بكثير في الأسواق المتقلبة بالفعل.

من الممكن بالطبع أن أكون قد قمت (بطريقة ما) بتجاوز البيانات. من شأن تحليل أكثر اكتمالاً تطبيق هذا النهج نفسه على العملات المشفرة الأخرى مثل Ethereum وRipple وCardano للتأكد من أن VPIN يمكنه في الواقع التنبؤ بتحركات الأسعار، وأن قدرته التنبؤية ترتفع مع التقلبات.

فراق الأفكار

يلعب صناع السوق أحد أهم الأدوار في البورصة - فهم يوفرون السيولة. ومع ذلك، عندما يقوم المتداولون المطلعون باختيار طلباتهم، فإن مزودي السيولة هؤلاء يتكبدون خسائر. ثم يواجهون بعد ذلك الاختيار: إما أن يزيدوا تكلفة خدماتهم أو - في الحالات الشديدة - الانسحاب من السوق تماما. من خلال تحليل اختلالات تدفق الطلب بين حجم الشراء والبيع، يمكننا وضع نموذج للتفاعلات بين المتداولين المطلعين وصناع السوق.

لا يمكن فقط أن تكون سمية التدفق أ مؤشر جيد للتقلبات على المدى القصير - يبدو أنه في بعض الحالات (النادرة جدًا) يمكنها التنبؤ بتحركات أكبر في الأسعار.

ترتفع القدرة التنبؤية لـ VPIN بشكل حاد عندما يكون السوق المعني متقلبًا بالفعل. لا أستطيع إلا أن أتكهن بالأسباب، لكن في الحقيقة أرى سببين.

الأول هو أن صناع السوق يعملون بهوامش ضئيلة للغاية. وبالتالي فإنهم أكثر عرضة لتكبد خسائر كبيرة بسبب الاختيار السلبي في الأسواق الأكثر تقلبا.

علاوة على ذلك، فإن فروق الأسعار في الأسواق المتقلبة واسعة بالفعل بالفعل. يمكن أن تؤدي سمية تدفق الأوامر - بالإضافة إلى التقلبات - إلى زيادة فروق الأسعار (وتكاليف الانزلاق بالنسبة للمتداولين) بشكل كبير. يصبح التداول مكلفًا للغاية عندما يحدث هذا؛ أفترض أن المتداولين سيكونون أقل عرضة للشراء بسبب تأثير السعر المرتفع، لكنهم سيظلون مجبرين على البيع إذا انهار السوق.

المصدر: https://medium.com/@lucasastorian/empirical-market-microstructure-f67eff3517e0?source=rss——-8—————–cryptocurrency