Struktur Mikro Pasar Empiris

Sejak Agustus 2020, lebih dari 800 miliar dolar Bitcoin dalam mata uang USDT telah diperdagangkan di Binance — sejauh ini merupakan terbesar Pertukaran Bitcoin. Seperti di pasar lain, sebagian besar likuiditas yang disediakan di Binance berasal dari pembuat pasar: perusahaan yang bersedia membeli atau menjual Bitcoin dengan harapan mereka akan mendapat untung dari selisih bid-ask.

Apa itu Struktur Mikro Pasar?

Teori Mikrostruktur Pasar mengakuizBahwa pembentukan harga ditentukan oleh faktor endogen, maupun faktor eksogen. Likuiditas, dampak pasar, biaya transaksi (slippage), volatilitas, dan mekanisme limit order book semuanya memainkan peran penting.

Teori ekonomi klasik tentang penawaran dan permintaan mengasumsikan bahwa setiap investor yang ingin membeli dan menjual pada harga keseimbangan umumnya dapat melakukannya. Pada kenyataannya, tindakan membeli atau menjual suatu sekuritas mengubah harga pasar; perdagangan memiliki dampak pasar.

Seorang investor yang ingin membeli atau menjual Bitcoin dalam jumlah besar tidak akan mengeksekusi seluruh pesanan sekaligus. Sebaliknya, mereka akan melakukannya secara bertahap, seiring berjalannya waktu, untuk membeli pada harga terendah atau menjual pada harga tertinggi. Stan Druckenmiller - yang, bersama dengan George Soros, memecahkan Bank of England in 1992— baru-baru ini menyebutkan bahwa dia mencoba membeli $100 juta dalam bentuk Bitcoin pada tahun 2018. Karena kekurangan likuiditas, dia membutuhkan waktu dua minggu untuk membeli $20 juta, dan pada saat itu dia menyerah.

Dengan demikian, dampak pasar dari suatu perdagangan memainkan peran penting dalam keputusan investor untuk membeli atau menjual suatu sekuritas, yang pada gilirannya mempengaruhi harga di mana sekuritas tersebut diperdagangkan.

Bagaimana dengan toksisitas aliran pesanan?

Semua pelaku pasar memasuki pasar dengan harapan mendapatkan keuntungan, namun pembuat pasar dan pedagang menghasilkan (atau kehilangan) uang dengan cara yang berbeda secara fundamental. Pembuat pasar membeli dan menjual Bitcoin dengan harapan mendapatkan selisih bid-ask. Pedagang membeli dan menjual Bitcoin karena mereka memiliki keyakinan yang terinformasi atau tidak mengenai perubahan harga di masa depan.

Untuk mendapatkan selisih bid-ask, pembuat pasar harus secara aktif mengelola inventaris Bitcoin dan Tether. Ketika arus perdagangan seimbang, mereka dapat menjual Bitcoin saat permintaan dan membelinya kembali saat penawaran, sehingga menghasilkan keuntungan. Namun, jika arus perdagangan menjadi terlalu tidak seimbang, maka akan semakin sulit bagi para pembuat pasar untuk melakukan rollover inventaris mereka untuk mendapatkan keuntungan. Umumnya, pembuat pasar kemudian akan menaikkan harga yang mereka tetapkan untuk layanan mereka – bid-ask spread – yang meningkatkan biaya perdagangan (slippage) bagi para pedagang.

Pembuat pasar dan pedagang menghasilkan (atau kehilangan) uang dengan cara yang berbeda secara mendasar

Penawaran dan permintaan di mana pembuat pasar bersedia menyediakan likuiditas ditentukan oleh sejauh mana mereka diseleksi secara negatif oleh para pedagang yang memiliki informasi. Jika arus pesanan menjadi tidak seimbang karena pedagang yang terinformasi membeli atau menjual Bitcoin, aliran pesanan tersebut dianggap beracun.

Toksisitas Aliran Pesanan dan Flash Crash

Pada tahun 2010, tiga peneliti dari Cornell bekerja sama dengan Tudor Investment Group menerbitkan a kertas menjelaskan bagaimana flash crash pada tahun 2010 — saat Dow Jones Industrial Average (DJIA) sempat anjlok 9% sebelum segera pulih—disebabkan oleh toksisitas aliran pesanan yang sangat besar.

Model yang digunakan untuk mengidentifikasi aliran pesanan beracun – VPIN (probabilitas tersinkronisasi volume dari perdagangan yang terinformasi) – melonjak ke titik tertinggi sepanjang masa dalam satu jam menjelang flash crash, dan berhasil memprediksi apa yang masih dianggap sebagai peristiwa misteri.

Makalah Tudor mendapat perhatian media: Bloomberg artikel menunjukkan bahwa VPIN dapat “membantu regulator mencegah kehancuran seperti yang terjadi pada tanggal 6 Mei”. Para peneliti di Laboratorium Nasional Lawrence Berkeley menunjukkan bahwa VPIN mampu memprediksi dengan baik kejadian volatilitas tinggi di pasar berjangka dari Januari 2007 hingga Juli 2012.

Secara brilian kertas nanti, penulis yang sama menunjukkan bahwa toksisitas aliran pesanan yang tinggi tidak hanya memaksa pembuat pasar keluar dari pasar; jika pembuat pasar harus membuang persediaan mereka dalam keadaan rugi, mereka dapat menghabiskan sisa likuiditas alih-alih menyediakannya.

Beberapa jam menjelang jatuhnya saham pada tanggal 6 Mei, para pedagang yang terinformasi secara konsisten menjual posisi mereka kepada para pembuat pasar, yang menghadapi kerugian yang semakin besar. Ketika para pembuat pasar ini pada akhirnya terpaksa melepaskan posisi mereka, dampaknya sangat buruk. Menurut para peneliti: “toksisitas ekstrem memiliki kemampuan untuk mengubah penyedia likuiditas menjadi konsumen likuiditas”.

“Toksisitas ekstrem memiliki kemampuan untuk mengubah penyedia likuiditas menjadi konsumen likuiditas” — Struktur Mikro 'Flash Crash'

Tapi apa itu VPN?

VPIN didasarkan pada model PIN, yang memandang perdagangan sebagai permainan antara tiga jenis peserta: pedagang yang terinformasi, pedagang yang tidak mendapat informasi, dan pembuat pasar.

VPIN diperkirakan sebagai perbedaan absolut antara volume beli dan jual dalam jangka waktu tertentu. Daripada mengambil sampel berdasarkan waktu, VPN dihitung menggunakan bilah volume dengan jumlah tetap. Misalnya, Anda dapat mengambil sampel sekali setiap kali 1000 Bitcoin dipertukarkan.

Volume cenderung meningkat ketika informasi baru masuk ke pasar, dan menurun ketika informasi baru tidak masuk. Jadi, pengambilan sampel berdasarkan volume sama dengan pengambilan sampel berdasarkan volatilitas (dan arus informasi).

Suatu pesanan diklasifikasikan sebagai pesanan beli jika pembelinya adalah pedagang yang berpengetahuan; demikian pula, suatu pesanan diklasifikasikan sebagai pesanan jual jika penjualnya adalah pedagang yang berpengetahuan. Lebih lanjut tentang mengidentifikasi perdagangan beli dan jual selanjutnya.

Mengidentifikasi Perdagangan yang Diinformasikan

Aturan Tick mengklasifikasikan perdagangan beli dan jual yang terinformasi dengan mengidentifikasi agresor perdagangan, yaitu pihak yang mengambil harga. Seorang pedagang yang membeli Bitcoin melalui pesanan pasar akan dicocokkan dengan permintaan terbaik dalam buku pesanan — di atas rata-rata tawaran-permintaan. Hal ini membuatnya menjadi agresor. Jika seorang pedagang mengajukan Limit Order untuk membeli Bitcoin di bawah rata-rata bid-ask, pesanan tersebut pada akhirnya dapat terpenuhi jika pedagang lain secara agresif menjual Bitcoin melalui pesanan pasar.

Aturan Tick mengidentifikasi agresor perdagangan dengan mengandalkan observasi sederhana. Pesanan beli yang agresif cenderung menaikkan harga suatu aset, karena pesanan tersebut disesuaikan dengan permintaan terendah dalam buku pesanan. Demikian pula, pesanan jual yang agresif cenderung menurunkan harga suatu aset setelah tawaran tertinggi tercapai. Perubahan harga selanjutnya dapat digunakan untuk mengidentifikasi agresor perdagangan.

Perdagangan yang menyebabkan kenaikan harga selanjutnya diberi label sebagai 1 — pembelian. Perdagangan yang menyebabkan penurunan harga diberi label -1 — penjualan. Perdagangan yang tidak menyebabkan perubahan harga (karena tidak memenuhi tawaran tertinggi atau permintaan terendah secara lengkap) diberi label dengan tick sebelumnya.

Masalah dengan Aturan Centang

Meskipun Aturan Tick (umumnya) berhasil mengidentifikasi sisi agresor, beberapa penelitian terbaru menunjukkan bahwa pedagang sisi agresor dan pedagang yang berpengetahuan mungkin tidak setara di pasar frekuensi tinggi. Misalnya, trader yang memiliki informasi dapat dengan mudah mengirimkan beberapa limit order di seluruh buku order, membatalkan order yang tidak terisi, dan masih tampak tidak mendapat informasi sesuai dengan Aturan Tick.

Implementasi awal VPIN menggunakan pendekatan Bayesian yang disebut Klasifikasi Volume Massal (BVC) untuk memperkirakan proporsi volume pembelian dan penjualan yang terinformasi di setiap batang (baik berdasarkan waktu atau volume). Pengalaman praktis saya dengan BVC agak beragam. Daripada menggunakan BVC, saya memutuskan untuk memilih opsi lain: menggunakan tag perdagangan yang menentukan apakah pembeli atau penjual adalah pembuat pasar dalam data mentah Binance Trade.

Binance menerbitkan data perdagangan langsung melalui aliran Websocket, yang telah saya kumpulkan di server AWS sejak awal Agustus tahun lalu; dari situlah data saya berasal. Sejak Maret 2021, Anda juga dapat mendownload data historis sini.

Lihatlah VPN

Saya telah menghitung VPIN menggunakan Batangan Dolar bergulir dengan sekitar 1600 sampel per hari dengan ukuran jendela 1000. Ini berarti bahwa setiap keranjang volume tidak sepenuhnya berukuran sama persis. Meski begitu, perbedaannya minimal, jadi saya merasa nyaman menggunakan implementasi aslinya tanpa harus membebani masing-masing keranjang.

Berbeda dengan penerapan aslinya, volume pembelian dan penjualan telah diklasifikasikan menggunakan label tingkat perdagangan yang menentukan apakah pembeli adalah pembuat pasar atau bukan. Selain itu, tidak seperti implementasi aslinya, VPN tidak bersifat stasioner.

Ketidakseimbangan aliran pesanan tampaknya telah menurun secara signifikan selama setahun terakhir seiring dengan meningkatnya kapitalisasi pasar dan volume perdagangan Bitcoin. Hal ini sejalan dengan penelitian yang menunjukkan bahwa saham-saham yang lebih besar memiliki spread bid-ask yang lebih rendah, yang berarti lebih sedikit pilihan yang merugikan.

Ketidakseimbangan aliran pesanan antara pesanan beli dan jual sisi agresor menjelang koreksi terakhir — 19 Mei 2021 — tampak minimal. Metrik VPIN yang relatif rendah menunjukkan bahwa toksisitas tidak berperan dalam koreksi.

Terkadang, ketidakseimbangan aliran pesanan yang terlokalisasi tampaknya mencapai puncaknya tepat sebelum penurunan harga yang dramatis — tanggal 12 dan 18 Juni adalah contoh terbaiknya. Namun, ini mungkin hanya saya yang membaca grafiknya.

Memprediksi Label Triple Barrier dengan VPIN

VPIN tidak dirancang untuk memprediksi keuntungan di masa depan. Sebaliknya, ini hanya menggambarkan ketidakseimbangan aliran pesanan rata-rata dengan bobot volume selama jangka waktu historis. Pengetahuan mengenai ketidakseimbangan ini tidak serta merta dapat digunakan untuk memperkirakan persistensi, peningkatan, atau penurunan ketidakseimbangan di masa depan. Namun demikian, saya pikir saya akan mencobanya.

Saya telah menggunakan pengaturan standar yang diusulkan oleh Marcos López de Prado — paragraf berikut akan terdengar seperti omong kosong bagi mereka yang tidak terbiasa dengan Financial Machine Learning, jadi silakan lewati saja.

Saya telah menghitung Label Penghalang Tiga yang disesuaikan dengan volatilitas untuk mengklasifikasikan sampel sebagai posisi Panjang atau Pendek. Lebar label maksimum dibatasi sebesar 3.5% di kedua arah; serangan penghalang vertikal diklasifikasikan berdasarkan pengembalian absolut sepanjang posisi. Saya telah menghitung bobot sampel berdasarkan keunikan rata-rata. RF dilatih dengan 100 pohon, sampel maksimum yang relevan per pohon, tidak lebih dari satu fitur per pohon, dan kedalaman maksimum 6. Data diskalakan, dibersihkan, diembargo (5%), dan divalidasi silang di lima bagian . Bacalah dua bagian pertama karya Marcos Book jika Anda tertarik dengan detailnya.

Karena tampaknya ada penurunan tajam dalam VPIN pada akhir tahun lalu, saya memutuskan untuk hanya menggunakan data dari enam setengah bulan terakhir; jadi sekitar satu bulan data per lipatan. Itu menghasilkan total ~250,000 sampel.

Seperti pada makalah asli, saya memasang metrik VPIN menggunakan distribusi log-normal dan melatih model pada CDF VPIN. Saya menggunakan tujuh ukuran jendela berbeda: 50, 100, 250, 500, 1000, 2500, dan 5000. Kurva ROC di kelima lipatan diplot di bawah ini.

Model ini jelas memiliki kinerja di bawah rata-rata benchmark 0.5 AUC, sementara kinerjanya bervariasi di berbagai bidang. Namun, kurva ROC dan skor AUC mungkin bukan cara terbaik untuk mengevaluasi kinerja (CDF) VPIN.

Mengevaluasi Kinerja Tail End VPIN

Masalah dengan kurva ROC di Financial Machine Learning adalah kurva tersebut tidak memberikan gambaran yang baik tentang kinerja akhir. Sangat mungkin – dan bahkan mungkin – bahwa VPIN tidak berdampak pada pembentukan harga selama kondisi pasar normal. Memang benar, para pembuat pasar memperkirakan fluktuasi antara volume beli dan jual; itu hanya biaya menjalankan bisnis.

Saya ingin tahu apakah toksisitas aliran pesanan yang sangat tinggi atau rendah selama kondisi pasar ekstrem memiliki kapasitas prediksi dalam Bitcoin. Jawabannya (di bawah) sepertinya ya.

Melihat Kurva Penarikan Presisi

Kurva Precision Recall menggambarkan trade-off antara Precision dan Recall pada ambang batas yang berbeda. Dalam hal ini, hal ini menunjukkan bahwa pada ambang batas yang sangat tinggi, yaitu tingkat ingatan yang sangat rendah (0.05 dan lebih rendah), rata-rata presisi model dalam mengidentifikasi posisi buy di kelima lipatan meningkat hingga lima puluhan (dan mungkin bahkan enam puluhan). Pada Ambang Batas 0.6, di kelima lipatan, Random Forest mengidentifikasi 75% posisi Long dengan benar, meskipun AUC jauh di bawah 0.5.

Kurva Precision Recall untuk posisi short menceritakan kisah serupa. Meskipun rata-rata AUC tetap di bawah 0.5 pada kelima kurva, terdapat lonjakan presisi pada ambang batas yang sangat tinggi.

Hal ini menunjukkan bahwa VPIN mungkin hanya memiliki kapasitas prediktif dalam kasus yang sangat jarang terjadi — mungkin paling banyak satu atau dua kali sebulan dalam kumpulan data ini.

Peran Volatilitas

Pasar umumnya berperilaku sangat berbeda selama periode volatilitas tinggi dan rendah. Prediktabilitas beberapa fitur menurun drastis selama guncangan volatilitas, sementara fitur lainnya (termasuk Struktur Mikro Pasar) menjadi lebih relevan.

Pengukuran Toksisitas Aliran Pesanan bisa menjadi sangat relevan di pasar yang sudah bergejolak, dimana para pembuat pasar telah memperluas selisih di mana mereka menyediakan likuiditas. Jika, selain menghadapi volatilitas harga yang tinggi, para pembuat pasar juga diseleksi secara negatif oleh para pedagang yang mempunyai informasi, maka hal ini dapat membentuk semacam “double whammy” (tentu saja saya hanya berspekulasi di sini).

Untuk melanjutkan spekulasi ini, para pelaku pasar kemungkinan besar akan mengalami kerugian di pasar yang sangat bergejolak. Hal ini meningkatkan kemungkinan mereka membuang inventarisnya (seperti yang terjadi pada Flash Crash 2010), yang menyebabkan penurunan harga.

Mengevaluasi VPIN dengan Ambang Batas Volatilitas

Ambang batas volatilitas menghapus semua sampel dari kumpulan data yang volatilitasnya berada di bawah tolok ukur tertentu. Misalnya, dalam kumpulan data ini, ambang volatilitas 0.02 mengecualikan sekitar tiga perlima data, namun menghasilkan peningkatan dramatis pada AUC, Kurva Penarikan Presisi Panjang, dan Kurva Penarikan Presisi Pendek.

Skor AUC meningkat dari 0.49 (lebih buruk dari pengklasifikasi acak), menjadi 0.55. Skor AUC di semua lipatan kecuali satu berada jauh di atas tolok ukur 0.5.

Untuk kurva Precision Recall, penyertaan ambang volatilitas tampaknya telah meningkatkan Presisi secara dramatis di berbagai Ambang Batas. VPIN tampaknya memiliki kapasitas prediksi yang jauh lebih tinggi di pasar yang sudah bergejolak.

Tentu saja mungkin saja saya (dalam beberapa hal) melakukan overfit pada data. Analisis yang lebih lengkap akan menerapkan pendekatan yang sama pada Cryptocurrency lain seperti Ethereum, Ripple, dan Cardano untuk memastikan bahwa VPIN sebenarnya dapat memprediksi pergerakan harga, dan bahwa kapasitas prediksinya meningkat seiring dengan volatilitas.

Berpisah Pikiran

Pembuat pasar memainkan salah satu peran terpenting dalam bursa— mereka menyediakan likuiditas. Namun, ketika pedagang yang terinformasi mengambil pesanan mereka, penyedia likuiditas ini mengalami kerugian. Mereka kemudian dihadapkan pada sebuah pilihan: mereka dapat menaikkan biaya layanan mereka atau – dalam kasus yang parah – menarik diri sepenuhnya dari pasar. Dengan menganalisis ketidakseimbangan aliran pesanan antara volume beli dan jual, kita dapat memodelkan interaksi antara pedagang yang terinformasi dan pembuat pasar.

Toksisitas aliran pesanan tidak hanya dapat menjadi a prediktor yang baik untuk volatilitas jangka pendek — Tampaknya, dalam beberapa kasus (yang sangat) jarang terjadi, ia bahkan dapat memprediksi pergerakan harga yang lebih besar.

Kapasitas prediksi VPIN meningkat tajam ketika pasar tersebut sudah cukup bergejolak. Saya hanya bisa berspekulasi mengenai alasannya, tapi sungguh, saya melihat dua alasannya.

Yang pertama adalah bahwa para pembuat pasar beroperasi dengan margin yang sangat tipis. Akibatnya, mereka lebih mungkin mengalami kerugian besar akibat seleksi yang merugikan di pasar yang lebih bergejolak.

Terlebih lagi, spread di pasar yang bergejolak sudah cukup lebar. Toksisitas aliran pesanan – selain volatilitas – dapat meningkatkan spread (dan biaya slippage bagi pedagang) secara drastis. Perdagangan menjadi sangat mahal ketika hal ini terjadi; Saya berasumsi pedagang akan cenderung tidak membeli karena dampak harga yang tinggi, namun tetap terpaksa menjual jika pasar sedang ambruk.

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