Empiirinen markkinoiden mikrorakenne

Elokuusta 2020 lähtien yli 800 miljardia dollaria USDT-määräistä Bitcoinia on vaihdettu Binancessa – ylivoimaisesti suurin Bitcoin-vaihto. Kuten muillakin markkinoilla, suurin osa Binancen tarjoamasta likviditeetistä tulee markkinatakaajilta: yrityksiltä, ​​jotka ovat valmiita sekä ostamaan että myymään Bitcoinia toivoen saavansa voittoa osto-ask-erosta.

Mikä on markkinoiden mikrorakenne?

Markkinat Mikrorakenneteoria tunnustettuzEli hinnanmuodostuksen määräävät sekä endogeeniset että eksogeeniset tekijät. Likviditeetillä, markkinavaikutuksella, transaktiokustannuksilla (liukumuksella), volatiliteetilla ja limiittitilauskannan mekaniikalla on suuri merkitys.

Klassinen kysynnän ja tarjonnan talousteoria olettaa, että jokainen sijoittaja, joka haluaa ostaa ja myydä tasapainohinnalla, voi yleensä tehdä niin. Todellisuudessa jo arvopaperin osto tai myynti muuttaa markkinahintaa; kaupoilla on markkinavaikutus.

Sijoittaja, joka haluaa ostaa tai myydä suuren määrän Bitcoinia, ei suorita koko tilausta kerralla. Sen sijaan he tekevät sen vähitellen, ajan myötä, ostaakseen halvimmalla tai myydäkseen korkeimmalla hinnalla. Stan Druckenmiller – joka yhdessä George Sorosin kanssa hajosi Bank of England in 1992 – mainitsi äskettäin, että hän yritti ostaa 100 miljoonaa dollaria Bitcoinina vuonna 2018. Likviditeetin puuttuessa häneltä kesti kaksi viikkoa ostaa 20 miljoonaa dollaria, jolloin hän luovutti.

Siten kaupan markkinavaikutuksella on merkittävä rooli sijoittajien päätöksissä ostaa tai myydä arvopaperi, mikä puolestaan ​​vaikuttaa hintaan, jolla arvopaperi käydään kauppaa.

Entä tilausvirran myrkyllisyys?

Kaikki markkinatoimijat tulevat markkinoille voittoa toivoen, mutta markkinatakaajat ja kauppiaat ansaitsevat (tai menettävät) rahaa olennaisesti eri tavoilla. Markkinatakaajat sekä ostavat että myyvät Bitcoinia ansaitakseen osto-ask-eron. Kauppiaat ostavat ja myyvät Bitcoinia, koska heillä on tietoinen tai tietämätön usko tulevista hinnanmuutoksista.

Ansaitakseen bid-ask-eron markkinatakaajien on aktiivisesti hallinnoitava sekä Bitcoinin että Tetherin varastoa. Kun kauppavirrat ovat tasapainossa, he voivat myydä Bitcoinia kysyttäessä ja ostaa sen takaisin tarjouksella tuottaen voittoa. Jos kauppavirrat kuitenkin muuttuvat liian epätasapainoisiksi, markkinatakaajien on vaikeampaa siirtää varastoaan voitolla. Yleensä markkinatakaajat nostavat sitten palveluistaan ​​veloittamaansa hintaa – osto-ask-eroa – mikä lisää kauppiaiden kaupankäyntikustannuksia (liukumista).

Markkinatakaajat ja kauppiaat ansaitsevat (tai menettävät) rahaa pohjimmiltaan eri tavoin

Tarjous ja myynti, joilla markkinatakaajat ovat valmiita tarjoamaan likviditeettiä, määräytyy sen mukaan, missä määrin tietoiset kauppiaat ovat valinneet heidät kielteisesti. Jos tilausvirrat muuttuvat epätasapainoisiksi, koska tietoiset kauppiaat ostavat tai myyvät Bitcoinia, tätä tilausvirtaa pidetään myrkyllisenä.

Tilaa Flow Toxicity ja Flash Crash

Vuonna 2010 kolme Cornellin tutkijaa julkaisi yhteistyössä Tudor Investment Groupin kanssa a paperi kuvataan, kuinka vuoden 2010 flash-onnettomuus, jonka aikana Dow Jones Industrial Average (DJIA) putosi hetkeksi 9 % ennen kuin se toipui välittömästi, johtui tilausvirran äärimmäisestä myrkyllisyydestä.

Myrkyllisen tilausvirran tunnistamiseen käytetty malli – VPIN (volyyme-synchronized probability of informed trading) – nousi kaikkien aikojen ennätyksille flash-onnettomuutta edeltävän tunnin aikana ja ennusti onnistuneesti sen, mitä edelleen pidetään mysteerinä.

Tudor-lehti sai jonkin verran mediahuomiota: Bloomberg artikkeli huomautti, että VPIN voisi "auttaa sääntelyviranomaisia ​​estämään onnettomuuksia, kuten 6. toukokuuta syöksyä". Lawrence Berkeley National Laboratoryn tutkijat osoittivat, että VPIN ennusti hyvin korkean volatiliteetin tapahtumia futuurimarkkinoilla tammikuusta 2007 heinäkuuhun 2012.

Loistavassa myöhempää paperia, samat kirjoittajat huomauttavat, että korkea tilausvirran myrkyllisyys ei vain pakota markkinatakaajia pois markkinoilta; Jos markkinatakaajat joutuvat myymään varastonsa tappiolla, he voivat tyhjentää jäljellä olevan likviditeetin sen sijaan, että toimittaisivat sitä.

Toukokuun 6. päivän romahdusta edeltäneiden tuntien aikana tietoiset kauppiaat olivat johdonmukaisesti myyneet positioitaan markkinatakaajille, jotka kärsivät kasvavista tappioista. Kun nämä samat markkinatakaajat joutuivat lopulta purkamaan asemaansa, tulokset olivat katastrofaaliset. Tutkijoiden sanoin: "äärimmäisellä myrkyllisyydellä on kyky muuttaa likviditeetin tarjoajat likviditeetin kuluttajiksi".

"Äärimmäisellä myrkyllisyydellä on kyky muuttaa likviditeetin tarjoajat likviditeetin kuluttajiksi" - "Flash Crashin" mikrorakenne

Mutta mikä on VPN?

VPIN perustuu PIN-malliin, joka näkee kaupankäynnin kolmentyyppisten osallistujien välisenä pelinä: tietoiset kauppiaat, tietämättömät kauppiaat ja markkinatakaajat.

VPIN on likimääräinen osto- ja myyntimäärän absoluuttinen ero historiallisen ikkunan aikana. Ajan mukaan ottamisen sijaan VPIN lasketaan käyttämällä kiinteän määrän äänenvoimakkuutta. Voit esimerkiksi ottaa näytteen kerran joka kerta, kun 1000 Bitcoinia vaihdetaan.

Volyymi kasvaa, kun uutta tietoa saapuu markkinoille, ja vähenee, kun sitä ei tule. Näin ollen näytteenotto tilavuuden mukaan on samanlaista kuin volatiliteetin (ja tietovirran) näytteenotto.

Tilaus luokitellaan ostotilaukseksi, jos ostaja on perillä oleva elinkeinonharjoittaja; vastaavasti tilaus luokitellaan myyntitoimeksiannon, jos myyjä on perillä oleva elinkeinonharjoittaja. Lisää osto- ja myyntikauppojen tunnistamisesta seuraavaksi.

Tietoisen kaupan tunnistaminen

Tick ​​Rule luokittelee tietoon perustuvat osto- ja myyntikaupat tunnistamalla kaupan aggressorin eli hinnoittelun osapuolen. Kauppias, joka ostaa Bitcoinin markkinatilauksen kautta, osuu tilauskirjan parhaaseen kysyntään – tarjous-kysynnän keskiarvon yläpuolelle. Tämä tekee hänestä hyökkääjän. Jos elinkeinonharjoittaja lähettää Limit Orderin ostaakseen Bitcoinin alle tarjouspyynnön keskiarvon, tilaus saattaa lopulta täyttyä, jos toinen kauppias myy aggressiivisesti Bitcoinia markkinatoimeksiannon kautta.

Tick ​​Rule tunnistaa kaupan hyökkääjän tukeutumalla yksinkertaiseen havaintoon. Aggressiivisilla ostotilauksilla on taipumus nostaa omaisuuden hintaa, koska tilaus kohdistetaan tilauskirjan alhaisimpaan kysyntään. Vastaavasti aggressiiviset myyntitoimeksiannot yleensä laskevat omaisuuden hintaa sen jälkeen, kun korkein tarjous on sovitettu. Myöhemmin tapahtuvaa hinnanmuutosta voidaan käyttää kaupan hyökkääjän tunnistamiseen.

Kaupat, jotka aiheuttavat myöhemmän hinnankorotuksen, merkitään 1 - ostoksi. Hinnan laskun aiheuttaneet kaupat on merkitty -1 - myynti. Kaupat, jotka eivät aiheuta muutosta hinnassa (koska ne eivät täyttäneet korkeinta tarjousta tai alinta tarjousta kokonaan), merkitään edellisellä rastilla.

Ongelmia rastisäännön kanssa

Vaikka Tick Rule (yleensä) tunnistaa onnistuneesti hyökkääjäpuolen, jotkut viimeaikaiset tutkimukset viittaavat siihen, että hyökkääjän puolen kauppiaat ja tietoiset kauppiaat eivät ehkä ole samanarvoisia korkean taajuuden markkinoilla. Esimerkiksi perillä oleva elinkeinonharjoittaja voi yksinkertaisesti lähettää useita rajatilauksia koko toimeksiantokirjaan, peruuttaa ne, jotka eivät täyty, ja silti näyttää tietämättömältä Tick-säännön mukaan.

VPIN:n alkuperäinen toteutus käyttää Bayesilaista lähestymistapaa nimeltä Bulk Volume Classification (BVC) arvioida tietoisen osto- ja myyntimäärän osuutta kussakin palkissa (joko ajan tai määrän perusteella). Käytännön kokemukseni BVC:stä on ollut melko ristiriitaista. BVC:n sijaan päätin valita toisen vaihtoehdon: käyttää kauppatunnisteita, jotka määrittävät, oliko ostaja vai myyjä markkinatakaaja Binance Trade -raakadatassa.

Binance julkaisee reaaliaikaisia ​​kauppatietoja Websocket-streamin kautta, jota olen kerännyt AWS-palvelimelta viime vuoden elokuun alusta lähtien; sieltä tietoni tulevat. Maaliskuusta 2021 lähtien voit myös ladata historiallisia tietoja tästä.

Katsaus VPN:ään

Olen laskenut VPIN:n käyttämällä pyöriviä dollaripalkkeja, joissa on noin 1600 1000 näytettä päivässä ja ikkunan koko XNUMX XNUMX. Tämä tarkoittaa, että jokainen tilavuusalue ei ole tarkalleen ottaen täsmälleen samankokoinen. Siitä huolimatta erot ovat minimaaliset, joten tunnen oloni mukavaksi käyttää alkuperäistä toteutusta ilman, että tarvitsee painottaa yksittäisiä kauhoja.

Toisin kuin alkuperäisessä toteutuksessa, osto- ja myyntimäärät on luokiteltu kauppatason tunnisteilla, jotka määrittävät, oliko ostaja markkinatakaaja vai ei. Lisäksi toisin kuin alkuperäinen toteutus, VPIN ei ole paikallaan.

Tilausvirran epätasapaino näyttää vähentyneen merkittävästi viimeisen vuoden aikana, kun Bitcoinin markkina-arvo ja kaupankäyntivolyymi kasvoivat. Tämä on sopusoinnussa tutkimuksen kanssa, joka osoittaa, että suuremmilla osakkeilla on alhaisemmat osto- ja myyntierot, mikä tarkoittaa vähemmän haitallista valintaa.

Tilausvirran epätasapaino hyökkääjän puolen osto- ja myyntitoimeksiantojen välillä, joka johtaa viimeiseen korjaukseen – 19. toukokuuta 2021 – näyttää vähäiseltä. Suhteellisen alhainen VPIN-metriikka viittaa siihen, että myrkyllisyydellä ei ollut merkitystä korjauksessa.

Joskus paikalliset tilausvirran epätasapainot näyttävät saavuttavan huippunsa juuri ennen dramaattista hinnan laskua – 12. ja 18. kesäkuuta ovat parhaita esimerkkejä. Tämä voi kuitenkin olla vain minä, kun luin kaavioon.

Triple Barrier -tarrojen ennustaminen VPN-koodilla

VPN-koodia ei välttämättä suunniteltu ennustamaan tulevaa tuottoa. Sen sijaan se vain kuvaa keskimääräistä volyymilla painotettua tilausvirran epätasapainoa historiallisen ikkunan aikana. Tietoa näistä epätasapainoista ei välttämättä voida käyttää ennakoitaessa epätasapainon jatkumista, lisääntymistä tai vähenemistä tulevaisuudessa. Siitä huolimatta ajattelin, että voisin yrittää.

Olen käyttänyt Marcos López de Pradon ehdottamaa melko vakioasetusta – seuraava kappale kuulostaa hölynpölyltä niille, jotka eivät tunne Financial Machine Learning -tekniikkaa, joten voit ohittaa sen.

Olen laskenut volatiliteettikorjatut Triple Barrier Labels -merkinnät luokitellakseni näytteet joko pitkiksi tai lyhyiksi positioiksi. Tarran enimmäisleveys on 3.5 % kumpaankin suuntaan; pystysuorat esteosumat luokitellaan absoluuttisen tuoton perusteella sijainnin pituudella. Olen laskenut näytepainot keskimääräisen ainutlaatuisuuden perusteella. RF on koulutettu 100 puulla, asiaankuuluvat enimmäisnäytteet puuta kohden, enintään yksi ominaisuus puuta kohden ja enimmäissyvyys 6. Tiedot skaalataan, tyhjennetään, asetetaan kauppasaartoon (5 %) ja ristiinvalidoidaan viidellä taitolla. . Lue Marcosin kaksi ensimmäistä osaa kirja jos olet kiinnostunut yksityiskohdista.

Koska VPIN:ssä näyttää olevan jyrkkä katkos viime vuoden lopulla, päätin käyttää vain viimeisen kuuden ja puolen kuukauden tietoja. eli noin kuukauden data kertaiseksi. Tämä tekee yhteensä ~250,000 XNUMX näytettä.

Kuten alkuperäisessä paperissa, sovitin VPIN-metriikan log-normaalijakauman avulla ja koulutin mallin VPIN:n CDF:llä. Käytin seitsemää eri ikkunakokoa: 50, 100, 250, 500, 1000, 2500 ja 5000. Kaikkien viiden taitoksen ROC-käyrät on piirretty alla.

Malli alittaa selvästi keskimäärin 0.5 AUC-vertailuarvon, kun taas suorituskyky vaihtelee taitoksissa. ROC-käyrä ja AUC-pisteet eivät kuitenkaan välttämättä ole paras tapa arvioida VPIN:n (CDF:n) suorituskykyä.

VPIN:n loppupään suorituskyvyn arviointi

Financial Machine Learningin ROC-käyrän ongelma on, että ne eivät anna hyvää käsitystä loppupään suorituskyvystä. On täysin mahdollista – ja jopa todennäköistä – että VPIN:llä ei ole vaikutusta hinnanmuodostukseen normaaleissa markkinaolosuhteissa. Markkinatakaajat odottavatkin vaihteluita osto- ja myyntivolyymien välillä; se on vain liiketoiminnan hinta.

Haluan tietää, onko äärimmäisen korkealla tai alhaisella tilausvirran myrkyllisyydellä äärimmäisissä markkinaolosuhteissa mitään ennustamiskykyä Bitcoinissa. Vastaus (alla) näyttää olevan kyllä.

Tarkkaiden palautuskäyrien tarkastelu

Precision Recall -käyrä kuvaa tarkkuuden ja palautuksen välisen kompromissin eri kynnysten yli. Tässä tapauksessa se osoittaa, että erittäin korkeilla kynnyksillä, eli erittäin matalilla palautumistasoilla (0.05 ja sitä alhaisemmat), mallin keskimääräinen tarkkuus pitkien positioiden tunnistamisessa kaikissa viidessä taitteessa nousee korkealle 0.6-luvulle (ja ehkä jopa 75-luvulle). 0.5 kynnysarvolla, kaikissa viidessä laskossa, Random Forest tunnistaa XNUMX % pitkistä asennoista oikein, vaikka AUC on selvästi alle XNUMX.

Lyhyiden positioiden Precision Recall -käyrä kertoo samanlaisen tarinan. Vaikka keskimääräinen AUC pysyy alle 0.5:n kaikilla viidellä käyrällä, tarkkuus on piikki erittäin korkeilla kynnyksillä.

Tämä viittaa siihen, että VPIN:llä voi olla ennustamiskykyä vain hyvin harvoissa tapauksissa – ehkä kerran tai kahdesti kuukaudessa tässä tietojoukossa.

Volatiliteetin rooli

Markkinat käyttäytyvät yleensä melko eri tavalla korkean ja alhaisen volatiliteetin aikana. Joidenkin ominaisuuksien ennustettavuus heikkenee huomattavasti volatiliteettishokin aikana, kun taas toiset ominaisuudet (mukaan lukien Market Microstructural) tulevat merkityksellisemmiksi.

Tilausvirtojen myrkyllisyyden mittarit voivat olla erityisen tärkeitä markkinoilla, jotka ovat jo ennestään epävakaita, joilla markkinatakaajat ovat jo laajentaneet likviditeettiä tarjoavansa eroa. Jos korkean hintavolatiliteetin lisäksi markkinatakaajia valitsevat epäedullisesti valistuneet kauppiaat, tämä voi muodostaa eräänlaisen "kaksinkertaisen haitan" (tässä tietysti puhtaasti spekuloin).

Tämän keinottelun jatkamiseksi markkinatakaajat voivat todennäköisemmin tehdä tappioita erittäin epävakailla markkinoilla. Tämä lisää todennäköisyyttä, että he tyhjentävät varastonsa (kuten he tekivät vuoden 2010 Flash Crashin aikana), mikä aiheuttaa hinnan laskun.

VPIN-koodin arviointi volatiliteettikynnyksellä

Volatiliteettikynnys poistaa tietojoukosta kaikki näytteet, joissa volatiliteetti alittaa tietyn vertailuarvon. Esimerkiksi tässä tietojoukossa volatiliteettikynnys 0.02 sulkee pois noin kolme viidesosaa tiedoista, mutta johtaa dramaattisiin parannuksiin AUC:ssa, Long Precision Recall Curvessa ja Short Precision Recall Curvessa.

AUC-pistemäärä nousee 0.49:stä (huonompi kuin satunnainen luokitin) arvokkaaseen 0.55:een. AUC-pisteet kaikissa laskoksissa yhtä lukuun ottamatta on selvästi 0.5-vertailuarvon yläpuolella.

Precision Recall -käyrien osalta volatiliteettikynnyksen sisällyttäminen näyttää nostaneen tarkkuusarvoa dramaattisesti useissa eri kynnyksissä. VPIN:llä näyttää olevan huomattavasti suurempi ennustekapasiteetti markkinoilla, jotka ovat jo epävakaita.

On tietysti mahdollista, että olen (jollakin tavalla) sovittanut tiedot liikaa. Täydellisemmässä analyysissä tätä samaa lähestymistapaa sovellettaisiin muihin kryptovaluuttoihin, kuten Ethereumiin, Rippleen ja Cardanoon, jotta varmistetaan, että VPIN voi itse asiassa ennustaa hinnanmuutoksia ja että sen ennustekapasiteetti kasvaa volatiliteetin myötä.

Eroajat ajatuksia

Markkinatakaajilla on yksi tärkeimmistä rooleista pörssissä – he tarjoavat likviditeettiä. Kuitenkin, kun tietoiset kauppiaat poimivat tilauksensa, nämä likviditeetin tarjoajat kärsivät tappioita. Tämän jälkeen he joutuvat valinnan varaan: he voivat nostaa palveluidensa kustannuksia tai – vaikeissa tapauksissa – vetäytyä markkinoilta kokonaan. Analysoimalla tilausvirran epätasapainoa osto- ja myyntivolyymien välillä voimme mallintaa valistuneiden kauppiaiden ja markkinatakaajien välisiä vuorovaikutuksia.

Tilauksen virtauksen myrkyllisyys ei voi olla vain a hyvä lyhyen aikavälin volatiliteetin ennustaja — Näyttää siltä, ​​että joissakin (erittäin) harvoissa tapauksissa se voi ennustaa jopa suurempia hinnanmuutoksia.

VPIN:ien ennustekapasiteetti nousee jyrkästi, kun kyseessä olevat markkinat ovat jo melko epävakaat. Voin vain arvailla syitä, mutta todellisuudessa näen kaksi.

Ensimmäinen on se, että markkinatakaajat toimivat veitsenterävällä marginaalilla. Tämän seurauksena niille aiheutuu todennäköisemmin suuria tappioita epäsuotuisan valinnan vuoksi epävakaammilla markkinoilla.

Lisäksi erot vaihtelevilla markkinoilla ovat jo varsin suuria. Tilausvirran myrkyllisyys – volatiliteetin lisäksi – voi lisätä eroja (ja kauppiaiden lipsahduskustannuksia) dramaattisesti. Kaupankäynnistä tulee erittäin kallista, kun tämä tapahtuu; Oletan, että kauppiaat ostavat vähemmän todennäköisesti korkean hintavaikutuksen vuoksi, mutta heidän on silti pakko myydä, jos markkinat romahtavat.

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