Εμπειρική Μικροδομή Αγοράς

Από τον Αύγουστο του 2020, περισσότερα από 800 δισεκατομμύρια δολάρια σε USDT σε Bitcoin έχουν διαπραγματευτεί στην Binance — μακράν μεγαλύτερη Ανταλλαγή Bitcoin. Όπως και σε άλλες αγορές, το μεγαλύτερο μέρος της ρευστότητας που παρέχεται στο Binance προέρχεται από διαπραγματευτές: εταιρείες που είναι πρόθυμες να αγοράσουν ή να πουλήσουν Bitcoin με την ελπίδα ότι θα έχουν κέρδος από το spread προσφοράς-ζήτησης.

Τι είναι η μικροδομή της αγοράς;

Αγορά Μικροδομική θεωρία αναγνώρισηzείναι ότι η διαμόρφωση των τιμών καθορίζεται από ενδογενείς αλλά και εξωγενείς παράγοντες. Η ρευστότητα, ο αντίκτυπος στην αγορά, το κόστος συναλλαγής (ολίσθηση), η αστάθεια και οι μηχανισμοί του βιβλίου οριακών εντολών παίζουν όλα ουσιαστικό ρόλο.

Η κλασική οικονομική θεωρία της προσφοράς και της ζήτησης υποθέτει ότι κάθε επενδυτής που επιθυμεί να αγοράσει και να πουλήσει στην τιμή ισορροπίας μπορεί γενικά να το κάνει. Στην πραγματικότητα, η ίδια η πράξη της αγοράς ή της πώλησης ενός τίτλου αλλάζει την τιμή της αγοράς. οι συναλλαγές έχουν αντίκτυπο στην αγορά.

Ένας επενδυτής που θέλει να αγοράσει ή να πουλήσει μια μεγάλη ποσότητα Bitcoin δεν θα εκτελέσει ολόκληρη την παραγγελία αμέσως. Αντίθετα, θα το κάνουν σταδιακά, με την πάροδο του χρόνου, προκειμένου να αγοράσουν στη χαμηλότερη τιμή ή να πουλήσουν στην υψηλότερη τιμή. Stan Druckenmiller — ο οποίος, μαζί με τον George Soros, έσπασε την Τράπεζα της Αγγλίας in 1992— ανέφερε πρόσφατα ότι αυτός προσπάθησε να αγοράσει 100 εκατομμύρια δολάρια σε Bitcoin το 2018. Λόγω έλλειψης ρευστότητας, του πήρε δύο εβδομάδες για να αγοράσει 20 εκατομμύρια δολάρια, οπότε τα παράτησε.

Έτσι, ο αντίκτυπος μιας συναλλαγής στην αγορά παίζει σημαντικό ρόλο στις αποφάσεις του επενδυτή να αγοράσει ή να πουλήσει έναν τίτλο, ο οποίος με τη σειρά του επηρεάζει την τιμή στην οποία διαπραγματεύεται ο τίτλος.

Τι γίνεται με την τοξικότητα ροής παραγγελίας;

Όλοι οι συμμετέχοντες στην αγορά εισέρχονται σε μια αγορά με την ελπίδα να αποκομίσουν κέρδος, ωστόσο οι διαπραγματευτές και οι έμποροι κερδίζουν (ή χάνουν) χρήματα με θεμελιωδώς διαφορετικούς τρόπους. Οι διαπραγματευτές αγοράζουν και πωλούν Bitcoin με την ελπίδα να κερδίσουν το spread προσφοράς-ζήτησης. Οι έμποροι αγοράζουν και πωλούν Bitcoin επειδή έχουν μια ενημερωμένη ή μη πεποίθηση για μελλοντικές αλλαγές τιμών.

Για να κερδίσουν το spread bid-ask, οι market makers πρέπει να διαχειρίζονται ενεργά ένα απόθεμα τόσο του Bitcoin όσο και του Tether. Όταν οι ροές συναλλαγών είναι ισορροπημένες, μπορούν να πουλήσουν Bitcoin στο αίτημα και να το αγοράσουν πίσω στην προσφορά, αποκομίζοντας κέρδος. Ωστόσο, εάν οι ροές συναλλαγών γίνουν υπερβολικά ανισόρροπες, καθίσταται πιο δύσκολο για τους διαπραγματευτές της αγοράς να μεταφέρουν το απόθεμά τους με κέρδος. Γενικά, οι υπεύθυνοι διαπραγμάτευσης θα αυξήσουν στη συνέχεια την τιμή που χρεώνουν για τις υπηρεσίες τους - το spread bid-ask - γεγονός που αυξάνει το κόστος συναλλαγών (ολίσθηση) για τους εμπόρους.

Οι διαπραγματευτές και οι έμποροι κερδίζουν (ή χάνουν) χρήματα με θεμελιωδώς διαφορετικούς τρόπους

Η προσφορά και η ερώτηση σε ποιους διαπραγματευτές αγοράς είναι πρόθυμοι να παράσχουν ρευστότητα καθορίζεται από το βαθμό στον οποίο επιλέγονται αρνητικά από ενημερωμένους εμπόρους. Εάν οι ροές παραγγελιών διαταραχθούν επειδή ενημερωμένοι έμποροι αγοράζουν ή πουλούν Bitcoin, αυτή η ροή παραγγελιών θεωρείται τοξική.

Order Flow Toxicity and the Flash Crash

Το 2010, τρεις ερευνητές από το Cornell σε συνεργασία με την Tudor Investment Group δημοσίευσαν ένα χαρτί περιγράφοντας πώς το κραχ του 2010 — κατά το οποίο ο βιομηχανικός μέσος όρος Dow Jones (DJIA) έπεσε για λίγο 9% πριν ανακάμψει αμέσως — προκλήθηκε από μια ακραία ποσότητα τοξικότητας στη ροή παραγγελιών.

Το μοντέλο που χρησιμοποιήθηκε για τον προσδιορισμό της ροής τοξικών παραγγελιών — VPIN (συγχρονισμένη με όγκο πιθανότητα ενημερωμένης διαπραγμάτευσης) — εκτινάχθηκε σε υψηλά όλων των εποχών την ώρα πριν από τη συντριβή του flash και πρόβλεψε με επιτυχία αυτό που εξακολουθεί να θεωρείται μυστήριο.

Η εφημερίδα Tudor έλαβε κάποια προσοχή από τα μέσα ενημέρωσης: ένα Bloomberg άρθρο επεσήμανε ότι το VPIN θα μπορούσε «να βοηθήσει τις ρυθμιστικές αρχές να αποτρέψουν ατυχήματα όπως η κατάδυση της 6ης Μαΐου». Ερευνητές στο Εθνικό Εργαστήριο Lawrence Berkeley έδειξαν ότι το VPIN έκανε καλά την πρόβλεψη γεγονότων υψηλής μεταβλητότητας στις αγορές Μελλοντικής Εκπλήρωσης από τον Ιανουάριο του 2007 έως τον Ιούλιο του 2012.

Σε λαμπρό αργότερα χαρτί, οι ίδιοι συγγραφείς επισημαίνουν ότι η τοξικότητα ροής υψηλής τάξης δεν αναγκάζει απλώς τους διαπραγματευτές να βγουν από την αγορά. Εάν οι διαπραγματευτές πρέπει να απορρίψουν το απόθεμά τους με ζημία, μπορούν να εξαντλήσουν τυχόν εναπομείνασα ρευστότητα αντί να το παρέχουν.

Τις ώρες πριν από το κραχ της 6ης Μαΐου, οι ενημερωμένοι traders πουλούσαν με συνέπεια τις θέσεις τους σε market makers, οι οποίοι αντιμετώπιζαν αυξανόμενες απώλειες. Όταν αυτοί οι ίδιοι διαπραγματευτές αναγκάστηκαν τελικά να χαλαρώσουν τις θέσεις τους, τα αποτελέσματα ήταν καταστροφικά. Σύμφωνα με τα λόγια των ερευνητών: «η ακραία τοξικότητα έχει την ικανότητα να μετατρέπει τους παρόχους ρευστότητας σε καταναλωτές ρευστότητας».

«Η ακραία τοξικότητα έχει την ικανότητα να μετατρέπει τους παρόχους ρευστότητας σε καταναλωτές ρευστότητας» — Η μικροδομή του «Flash Crash»

Τι είναι όμως το VPIN;

Το VPIN βασίζεται στο μοντέλο PIN, το οποίο βλέπει τις συναλλαγές ως ένα παιχνίδι μεταξύ τριών τύπων συμμετεχόντων: ενημερωμένους εμπόρους, μη ενημερωμένους εμπόρους και διαπραγματευτές αγοράς.

Το VPIN υπολογίζεται κατά προσέγγιση ως η απόλυτη διαφορά μεταξύ του όγκου αγορών και πωλήσεων σε ένα ιστορικό παράθυρο. Αντί για δειγματοληψία με βάση το χρόνο, το VPIN υπολογίζεται χρησιμοποιώντας μπάρες όγκου σταθερής ποσότητας. Για παράδειγμα, μπορείτε να κάνετε δειγματοληψία μία φορά κάθε φορά που ανταλλάσσονται 1000 Bitcoin.

Ο όγκος τείνει να αυξάνεται καθώς έρχονται νέες πληροφορίες στην αγορά και μειώνεται όταν δεν το κάνει. Έτσι, η δειγματοληψία κατά όγκο είναι παρόμοια με τη δειγματοληψία βάσει μεταβλητότητας (και ροής πληροφοριών).

Μια παραγγελία ταξινομείται ως εντολή αγοράς εάν ο αγοραστής είναι ενημερωμένος έμπορος. Ομοίως, μια παραγγελία ταξινομείται ως εντολή πώλησης εάν ο πωλητής είναι ενημερωμένος έμπορος. Περισσότερα για τον εντοπισμό συναλλαγών αγοράς και πώλησης στη συνέχεια.

Προσδιορισμός Ενημερωμένων Συναλλαγών

Ο κανόνας Tick ταξινομεί τις ενημερωμένες συναλλαγές αγοράς και πώλησης προσδιορίζοντας τον επιτιθέμενο του εμπορίου, δηλαδή το μέρος που παίρνει τις τιμές. Ένας έμπορος που αγοράζει Bitcoin μέσω παραγγελίας αγοράς θα αντιστοιχιστεί με την καλύτερη ερώτηση στο βιβλίο παραγγελιών — πάνω από τη μέση τιμή προσφοράς-ζήτησης. Αυτό τον κάνει επιθετικό. Εάν ένας έμπορος υποβάλει μια εντολή ορίου για να αγοράσει Bitcoin κάτω από τον μέσο όρο προσφοράς-ζήτησης, αυτή η παραγγελία μπορεί τελικά να εκπληρωθεί εάν ένας άλλος έμπορος πουλήσει επιθετικά Bitcoin μέσω μιας παραγγελίας αγοράς.

Ο κανόνας Tick προσδιορίζει τον εμπορικό επιτιθέμενο βασιζόμενο σε μια απλή παρατήρηση. Οι επιθετικές εντολές αγοράς τείνουν να αυξάνουν την τιμή ενός περιουσιακού στοιχείου, καθώς η παραγγελία αντιστοιχίζεται με τη χαμηλότερη ζήτηση στο βιβλίο παραγγελιών. Ομοίως, οι επιθετικές εντολές πώλησης τείνουν να μειώνουν την τιμή ενός περιουσιακού στοιχείου μετά την αντιστοίχιση της υψηλότερης προσφοράς. Η επακόλουθη αλλαγή τιμής μπορεί να χρησιμοποιηθεί για τον εντοπισμό του εμπορικού επιτιθέμενου.

Οι συναλλαγές που προκαλούν επακόλουθη αύξηση της τιμής χαρακτηρίζονται ως 1 — αγορά. Οι συναλλαγές που προκάλεσαν μείωση της τιμής φέρουν την ένδειξη -1 — πώληση. Οι συναλλαγές που δεν προκαλούν αλλαγή στην τιμή (επειδή δεν συμπλήρωσαν πλήρως την υψηλότερη προσφορά ή τη χαμηλότερη ζήτηση) επισημαίνονται με το προηγούμενο τικ.

Προβλήματα με τον κανόνα Tick

Ενώ ο κανόνας Tick (γενικά) προσδιορίζει με επιτυχία την πλευρά του επιτιθέμενου, ορισμένες πρόσφατες έρευνες δείχνουν ότι οι έμποροι από την πλευρά του επιτιθέμενου και οι ενημερωμένοι έμποροι μπορεί να μην είναι ισοδύναμοι σε αγορές υψηλής συχνότητας. Για παράδειγμα, ένας ενημερωμένος έμπορος θα μπορούσε απλώς να υποβάλει πολλαπλές εντολές ορίων σε όλο το βιβλίο παραγγελιών, να ακυρώσει εκείνες που δεν συμπληρώνονται και να εξακολουθεί να εμφανίζεται ανενημέρωτος σύμφωνα με τον Κανόνα Στικ.

Η αρχική υλοποίηση του VPIN χρησιμοποιεί μια Bayesian προσέγγιση που ονομάζεται Ταξινόμηση μαζικού όγκου (BVC) για να προσεγγίσετε την αναλογία του ενημερωμένου όγκου αγορών και πωλήσεων σε κάθε γραμμή (είτε βάσει χρόνου είτε βάσει όγκου). Η πρακτική μου εμπειρία με το BVC ήταν μάλλον μικτή. Αντί να χρησιμοποιήσω το BVC, αποφάσισα να ακολουθήσω μια άλλη επιλογή: να χρησιμοποιήσω τις ετικέτες συναλλαγών που προσδιορίζουν εάν ο αγοραστής ή ο πωλητής ήταν διαπραγματευτής στα ακατέργαστα δεδομένα του Binance Trade.

Το Binance δημοσιεύει ζωντανά δεδομένα συναλλαγών μέσω μιας ροής Websocket, τα οποία συλλέγω σε έναν διακομιστή AWS από τις αρχές Αυγούστου του περασμένου έτους. από εκεί προέρχονται τα δεδομένα μου. Από τον Μάρτιο του 2021, μπορείτε επίσης να κάνετε λήψη ιστορικών δεδομένων εδώ.

Μια ματιά στο VPIN

Έχω υπολογίσει το VPIN χρησιμοποιώντας κυλιόμενες ράβδους δολαρίων με περίπου 1600 δείγματα την ημέρα με μέγεθος παραθύρου 1000. Αυτό σημαίνει ότι κάθε κάδος όγκου δεν έχει ακριβώς το ίδιο μέγεθος. Ακόμα κι έτσι, οι διαφορές είναι ελάχιστες, οπότε αισθάνομαι άνετα χρησιμοποιώντας την αρχική εφαρμογή χωρίς να χρειάζεται να ζυγίζω μεμονωμένους κάδους.

Σε αντίθεση με την αρχική υλοποίηση, ο όγκος αγορών και πωλήσεων έχει ταξινομηθεί χρησιμοποιώντας ετικέτες επιπέδου συναλλαγών που προσδιορίζουν εάν ο αγοραστής ήταν διαπραγματευτής ή όχι. Επίσης, σε αντίθεση με την αρχική υλοποίηση, το VPIN δεν είναι σταθερό.

Οι ανισορροπίες των ροών παραγγελιών φαίνεται να έχουν μειωθεί σημαντικά το περασμένο έτος καθώς η κεφαλαιοποίηση της αγοράς και ο όγκος συναλλαγών του Bitcoin αυξήθηκαν. Αυτό είναι σύμφωνο με την έρευνα που δείχνει ότι οι μεγαλύτερες μετοχές έχουν χαμηλότερα περιθώρια προσφοράς-ζήτησης, γεγονός που συνεπάγεται λιγότερη δυσμενή επιλογή.

Η ανισορροπία ροής εντολών μεταξύ των εντολών αγοράς και πώλησης από την πλευρά της επίθεσης που οδήγησε στην τελευταία διόρθωση — 19 Μαΐου 2021— φαίνεται ελάχιστη. Η σχετικά χαμηλή μέτρηση VPIN υποδηλώνει ότι η τοξικότητα δεν έπαιξε ρόλο στη διόρθωση.

Μερικές φορές, οι τοπικές ανισορροπίες ροής παραγγελιών φαίνεται να κορυφώνονται λίγο πριν από μια δραματική μείωση της τιμής — οι 12 και 18 Ιουνίου είναι τα καλύτερα παραδείγματα. Ωστόσο, αυτό θα μπορούσε απλώς να το διαβάζω στο διάγραμμα.

Πρόβλεψη ετικετών τριπλού φραγμού με VPIN

Το VPIN δεν σχεδιάστηκε απαραίτητα για να προβλέπει μελλοντικές αποδόσεις. Αντίθετα, περιγράφει απλώς τις μέσες, σταθμισμένες ως προς τον όγκο ανισορροπίες ροής παραγγελιών σε ένα ιστορικό παράθυρο. Η γνώση αυτών των ανισορροπιών δεν μπορεί απαραίτητα να χρησιμοποιηθεί για την πρόβλεψη της εμμονής, αύξησης ή μείωσης των μελλοντικών ανισορροπιών. Παρ' όλα αυτά, σκέφτηκα ότι μπορεί να το δώσω μια ευκαιρία.

Έχω χρησιμοποιήσει μια αρκετά τυπική ρύθμιση που πρότεινε ο Marcos López de Prado — η ακόλουθη παράγραφος θα ακούγεται σαν ασυναρτησία για όσους δεν είναι εξοικειωμένοι με τη Financial Machine Learning, οπότε μη διστάσετε να την παραλείψετε.

Έχω υπολογίσει τις τριπλές ετικέτες φραγμού προσαρμοσμένες στην αστάθεια για να ταξινομήσω τα δείγματα είτε ως Long είτε ως Short θέσεις. Το μέγιστο πλάτος ετικέτας περιορίζεται στο 3.5% προς κάθε κατεύθυνση. Τα χτυπήματα κάθετου φραγμού ταξινομούνται με βάση την απόλυτη απόδοση σε όλο το μήκος της θέσης. Έχω υπολογίσει τα βάρη δειγμάτων με βάση τη μέση μοναδικότητα. Το RF εκπαιδεύεται με 100 δέντρα, τα σχετικά μέγιστα δείγματα ανά δέντρο, όχι περισσότερα από ένα χαρακτηριστικό ανά δέντρο και μέγιστο βάθος 6. Τα δεδομένα κλιμακώνονται, εκκαθαρίζονται, τίθενται εμπάργκο (5%) και διασταυρώνονται σε πέντε πτυχές . Διαβάστε τα δύο πρώτα μέρη του Μάρκου βιβλίο αν σε ενδιαφέρουν οι λεπτομέρειες.

Δεδομένου ότι φαίνεται να υπάρχει μια απότομη διακοπή στο VPIN στα τέλη του περασμένου έτους, αποφάσισα να χρησιμοποιήσω μόνο δεδομένα από τους τελευταίους εξάμισι μήνες. οπότε περίπου ένας μήνας δεδομένων ανά πάσο. Αυτό σημαίνει συνολικά ~250,000 δείγματα.

Όπως και στο αρχικό χαρτί, τοποθέτησα τη μέτρηση VPIN χρησιμοποιώντας μια κανονική κατανομή log και εκπαίδευσα το μοντέλο στο CDF του VPIN. Χρησιμοποίησα επτά διαφορετικά μεγέθη παραθύρων: 50, 100, 250, 500, 1000, 2500 και 5000. Οι καμπύλες ROC και στις πέντε πτυχές παρουσιάζονται παρακάτω.

Το μοντέλο έχει σαφώς χαμηλότερες επιδόσεις από το σημείο αναφοράς 0.5 AUC κατά μέσο όρο, ενώ η απόδοση ποικίλλει μεταξύ των πτυχών. Ωστόσο, μια καμπύλη ROC και η βαθμολογία AUC μπορεί να μην είναι ο καλύτερος τρόπος για την αξιολόγηση της απόδοσης του (το CDF του) VPIN.

Αξιολόγηση της απόδοσης του άκρου της ουράς του VPIN

Το πρόβλημα με μια καμπύλη ROC στο Financial Machine Learning είναι ότι δεν δίνουν καλή ιδέα για την απόδοση του άκρου της ουράς. Είναι απολύτως πιθανό —και μάλιστα πιθανό— το VPIN να μην έχει καμία επίδραση στη διαμόρφωση των τιμών υπό κανονικές συνθήκες αγοράς. Πράγματι, οι υπεύθυνοι διαπραγμάτευσης αναμένουν διακυμάνσεις μεταξύ του όγκου αγορών και πωλήσεων. αυτό είναι απλώς το κόστος της επιχειρηματικής δραστηριότητας.

Θέλω να μάθω εάν η τοξικότητα ροής εξαιρετικά υψηλής ή χαμηλής τάξης κατά τη διάρκεια ακραίων συνθηκών της αγοράς έχει κάποια προγνωστική ικανότητα στο Bitcoin. Η απάντηση (παρακάτω) φαίνεται να είναι ναι.

Μια ματιά στις καμπύλες ανάκλησης ακριβείας

Μια καμπύλη Ανάκλησης Ακρίβειας απεικονίζει την αντιστάθμιση μεταξύ Ακρίβειας και Ανάκλησης σε διαφορετικά κατώφλια. Σε αυτήν την περίπτωση, δείχνει ότι σε πολύ υψηλά κατώφλια, π.χ. πολύ χαμηλά επίπεδα ανάκλησης (0.05 και χαμηλότερα), η μέση ακρίβεια του μοντέλου στον εντοπισμό των θέσεων long και στις πέντε πτυχές ανεβαίνει στα υψηλά πενήντα (και ίσως ακόμη και τα εξήντα). Στο όριο 0.6, και στις πέντε πτυχές, το Random Forest προσδιορίζει σωστά το 75% των θέσεων Long, παρόλο που η AUC είναι πολύ κάτω από το 0.5.

Η καμπύλη Ανάκλησης Ακρίβειας για τις short θέσεις λέει μια παρόμοια ιστορία. Παρόλο που η μέση AUC παραμένει κάτω από το 0.5 και στις πέντε καμπύλες, υπάρχει μια απότομη αύξηση στην ακρίβεια σε πολύ υψηλά κατώφλια.

Αυτό υποδηλώνει ότι το VPIN μπορεί να έχει ικανότητα πρόβλεψης μόνο σε πολύ σπάνιες περιπτώσεις — ίσως μία ή δύο φορές το μήνα σε αυτό το σύνολο δεδομένων το πολύ.

Ο ρόλος της αστάθειας

Οι αγορές γενικά συμπεριφέρονται αρκετά διαφορετικά σε περιόδους υψηλής και χαμηλής μεταβλητότητας. Η προβλεψιμότητα ορισμένων χαρακτηριστικών μειώνεται σημαντικά κατά τη διάρκεια ενός σοκ μεταβλητότητας, ενώ άλλα χαρακτηριστικά (συμπεριλαμβανομένων των μικροδομικών της αγοράς) γίνονται πιο σχετικά.

Τα μέτρα τοξικότητας ροής παραγγελιών θα μπορούσαν να είναι ιδιαίτερα σημαντικά σε μια αγορά που είναι ήδη ευμετάβλητη, όπου οι διαμορφωτές αγοράς έχουν ήδη διευρύνει το περιθώριο με το οποίο παρέχουν ρευστότητα. Εάν, εκτός από την αντιμετώπιση της υψηλής αστάθειας των τιμών, οι διαπραγματευτές επιλέγονται επίσης αρνητικά από ενημερωμένους εμπόρους, αυτό θα μπορούσε να αποτελέσει ένα είδος «διπλής σύγκρουσης» (εδώ, φυσικά, εικασίες είναι καθαρά).

Για να συνεχιστεί αυτή η γραμμή κερδοσκοπίας, οι διαπραγματευτές θα μπορούσαν να είναι πιο πιθανό να υποστούν απώλειες σε μια εξαιρετικά ασταθή αγορά. Αυτό αυξάνει την πιθανότητα να απορρίψουν το απόθεμά τους (όπως έκαναν κατά το Flash Crash του 2010), προκαλώντας μείωση της τιμής.

Αξιολόγηση VPIN με όριο μεταβλητότητας

Ένα όριο μεταβλητότητας αφαιρεί όλα τα δείγματα από το σύνολο δεδομένων όπου η μεταβλητότητα πέφτει κάτω από ένα συγκεκριμένο σημείο αναφοράς. Για παράδειγμα, σε αυτό το σύνολο δεδομένων, ένα όριο μεταβλητότητας 0.02 αποκλείει περίπου τα τρία πέμπτα των δεδομένων, αλλά οδηγεί σε δραματικές βελτιώσεις στην AUC, στην καμπύλη ανάκλησης μεγάλης ακρίβειας και στην καμπύλη ανάκλησης μικρής ακρίβειας.

Η βαθμολογία AUC αυξάνεται από 0.49 (χειρότερο από έναν τυχαίο ταξινομητή), σε ένα αξιοσέβαστο 0.55. Η βαθμολογία AUC σε όλες τις πτυχές εκτός από μία είναι πολύ πάνω από το σημείο αναφοράς 0.5.

Για τις καμπύλες Ανάκλησης Ακρίβειας, η συμπερίληψη ενός ορίου μεταβλητότητας φαίνεται να έχει αυξήσει δραματικά την Ακρίβεια σε μια ποικιλία ορίων. Το VPIN φαίνεται να έχει σημαντικά υψηλότερη ικανότητα πρόβλεψης σε αγορές που είναι ήδη ασταθείς.

Είναι βέβαια πιθανό να έχω (κατά κάποιο τρόπο) υπερπροσαρμογή των δεδομένων. Μια πιο ολοκληρωμένη ανάλυση θα εφαρμόσει την ίδια προσέγγιση σε άλλα κρυπτονομίσματα όπως το Ethereum, το Ripple και το Cardano για να διασφαλίσει ότι το VPIN μπορεί στην πραγματικότητα να προβλέψει τις κινήσεις των τιμών και ότι η προγνωστική του ικανότητα αυξάνεται με αστάθεια.

Διαίρεση Σκέψεις

Οι διαπραγματευτές διαδραματίζουν έναν από τους πιο σημαντικούς ρόλους σε ένα χρηματιστήριο — παρέχουν ρευστότητα. Ωστόσο, όταν οι ενημερωμένοι έμποροι παραλαμβάνουν τις παραγγελίες τους, αυτοί οι πάροχοι ρευστότητας υφίστανται ζημίες. Στη συνέχεια έρχονται αντιμέτωποι με μια επιλογή: μπορούν να αυξήσουν το κόστος των υπηρεσιών τους ή — σε σοβαρές περιπτώσεις — να αποσυρθούν εντελώς από την αγορά. Αναλύοντας τις ανισορροπίες ροής παραγγελιών μεταξύ του όγκου αγορών και πωλήσεων, μπορούμε να μοντελοποιήσουμε τις αλληλεπιδράσεις μεταξύ ενημερωμένων εμπόρων και διαπραγματευτών αγοράς.

Όχι μόνο η τοξικότητα ροής μπορεί να είναι α καλός προγνωστικός δείκτης της βραχυπρόθεσμης αστάθειας — φαίνεται, ότι σε ορισμένες (πολύ) σπάνιες περιπτώσεις, μπορεί να προβλέψει ακόμη και μεγαλύτερες κινήσεις τιμών.

Η ικανότητα πρόβλεψης των VPIN αυξάνεται απότομα όταν η εν λόγω αγορά είναι ήδη αρκετά ασταθής. Μπορώ μόνο να κάνω εικασίες ως προς τους λόγους, αλλά πραγματικά, βλέπω δύο.

Το πρώτο είναι ότι οι market makers λειτουργούν με περιθώρια κέρδους. Κατά συνέπεια, είναι πιο πιθανό να υποστούν μεγάλες απώλειες λόγω δυσμενούς επιλογής σε πιο ασταθείς αγορές.

Επιπλέον, τα spread σε ασταθείς αγορές είναι ήδη αρκετά μεγάλα. Η τοξικότητα ροής παραγγελιών — εκτός από την αστάθεια — θα μπορούσε να αυξήσει δραστικά τα spreads (και το κόστος ολίσθησης για τους εμπόρους). Οι συναλλαγές γίνονται πολύ δαπανηρές όταν συμβαίνει αυτό. Υποθέτω ότι οι έμποροι θα είναι λιγότερο πιθανό να αγοράσουν λόγω του υψηλού αντίκτυπου στις τιμές, αλλά θα εξακολουθήσουν να αναγκάζονται να πουλήσουν εάν η αγορά καταρρέει.

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