Empirična tržna mikrostruktura

Od avgusta 2020 se je na Binance trgovalo z več kot 800 milijardami dolarjev bitcoinov, denominiranih v USDT – daleč Največji Menjava bitcoinov. Tako kot na drugih trgih večina likvidnosti, ki jo zagotavlja Binance, prihaja od ustvarjalcev trga: podjetij, ki so pripravljena kupiti ali prodati Bitcoin v upanju, da bodo ustvarila dobiček na razponu ponudbe in povpraševanja.

Kaj je mikrostruktura trga?

Tržna mikrostrukturna teorija priznavazda na oblikovanje cen vplivajo tako endogeni kot eksogeni dejavniki. Likvidnost, vpliv na trg, transakcijski stroški (zdrs), volatilnost in mehanika knjige omejenih naročil igrajo pomembno vlogo.

Klasična ekonomska teorija ponudbe in povpraševanja predpostavlja, da lahko vsak vlagatelj, ki je pripravljen kupiti in prodati po ravnotežni ceni, to na splošno stori. V resnici že samo dejanje nakupa ali prodaje vrednostnega papirja spremeni tržno ceno; trgovanja imajo vpliv na trg.

Vlagatelj, ki želi kupiti ali prodati veliko količino bitcoinov, ne bo izvršil celotnega naročila naenkrat. Namesto tega bodo to storili postopoma, sčasoma, da bodo kupili po najnižji ali prodali po najvišji ceni. Stan Druckenmiller, ki je skupaj z Georgeom Sorosom zlomil Bank of England in 1992— nedavno omenil, da je poskušal kupiti 100 milijonov dolarjev v bitcoinih leta 2018. Zaradi pomanjkanja likvidnosti je potreboval dva tedna, da je kupil 20 milijonov dolarjev, nato pa je obupal.

Tako ima vpliv trgovanja na trg pomembno vlogo pri odločitvah vlagatelja za nakup ali prodajo vrednostnega papirja, kar posledično vpliva na ceno, po kateri se ta vrednostni papir trguje.

Kaj pa toksičnost toka naročil?

Vsi udeleženci na trgu vstopijo na trg v upanju, da bodo ustvarili dobiček, vendar ustvarjalci trga in trgovci služijo (ali izgubljajo) denar na bistveno različne načine. Ustvarjalci trga tako kupujejo kot prodajajo Bitcoin v upanju, da bodo pridobili razpon ponudbe in povpraševanja. Trgovci kupujejo in prodajajo Bitcoine, ker imajo ozaveščeno ali neobveščeno prepričanje o prihodnjih spremembah cen.

Da bi pridobili razpon ponudbe in povpraševanja, morajo vzdrževalci trga aktivno upravljati zalogo Bitcoina in Tetherja. Ko so trgovalni tokovi uravnoteženi, lahko prodajo Bitcoin na povpraševanju in ga kupijo nazaj na licitaciji ter tako ustvarijo dobiček. Če pa trgovalni tokovi postanejo preveč neuravnoteženi, postanejo ustvarjalci trga težje preusmeriti svoje zaloge z dobičkom. Na splošno bodo vzdrževalci trga nato zvišali ceno, ki jo zaračunavajo za svoje storitve – razpon ponudbe in povpraševanja – kar poveča stroške trgovanja (zdrs) za trgovce.

Ustvarjalci trga in trgovci služijo (ali izgubljajo) denar na bistveno različne načine

Ponudba in povpraševanje, pri katerih so vzdrževalci trga pripravljeni zagotoviti likvidnost, je določena s stopnjo, do katere so obveščeni trgovci negativno izbrani. Če tokovi naročil postanejo neuravnoteženi, ker obveščeni trgovci kupujejo ali prodajajo Bitcoin, se ta tok naročil šteje za strupen.

Red Flow Toxicity and the Flash Crash

Leta 2010 so trije raziskovalci iz Cornella v sodelovanju s Tudor Investment Group objavili a papirja opisuje, kako je bliskoviti zlom leta 2010 – med katerim je industrijsko povprečje Dow Jones (DJIA) za kratek čas padel za 9 %, preden se je takoj okreval – povzročila izjemna količina toksičnosti toka naročil.

Model, uporabljen za identifikacijo strupenega toka naročil – VPIN (verjetnost informiranega trgovanja, sinhronizirana z obsegom) – se je v uri pred hitrim zlomom povzpel na najvišje vrednosti vseh časov in uspešno napovedal, kar še vedno velja za skrivnosten dogodek.

Časopis Tudor je prejel nekaj medijske pozornosti: Bloomberg članek poudaril, da bi lahko VPIN "regulatorjem pomagal preprečiti nesreče, kot je padec 6. maja". Raziskovalci nacionalnega laboratorija Lawrence Berkeley so pokazali, da je VPIN dobro napovedoval dogodke z visoko volatilnostjo na terminskih trgih od januarja 2007 do julija 2012.

V briljantnem kasnejši papir, isti avtorji poudarjajo, da strupenost pretoka visokega reda ne samo izriva ustvarjalcev trga s trga; če morajo vzdrževalci trga izgubiti svoje zaloge, lahko izčrpajo vso preostalo likvidnost, namesto da bi jo zagotovili.

V urah pred zlomom 6. maja so obveščeni trgovci dosledno dosledno prodajali svoje pozicije vzdrževalcem trga, ki so se soočali z naraščajočimi izgubami. Ko so bili ti isti ustvarjalci trga na koncu prisiljeni sprostiti svoje položaje, so bili rezultati katastrofalni. Po besedah ​​raziskovalcev: "ekstremna strupenost lahko ponudnike likvidnosti spremeni v porabnike likvidnosti".

"Ekstremna toksičnost lahko ponudnike likvidnosti spremeni v potrošnike likvidnosti" — Mikrostruktura "Flash Crash"

Toda kaj je VPN?

VPIN temelji na modelu PIN, ki na trgovanje gleda kot na igro med tremi vrstami udeležencev: obveščenimi trgovci, neinformiranimi trgovci in vzdrževalci trga.

VPIN je približen kot absolutna razlika med obsegom nakupa in prodaje v zgodovinskem oknu. Namesto vzorčenja po času se VPIN izračuna z uporabo stolpcev prostornine s fiksnim zneskom. Na primer, lahko vzorčite enkrat vsakič, ko se zamenja 1000 bitcoinov.

Obseg se običajno poveča, ko na trg prispejo nove informacije, in zmanjša, ko tega ne pride. Tako je vzorčenje po volumnu podobno vzorčenju po volatilnosti (in pretoku informacij).

Naročilo je razvrščeno kot nakupno naročilo, če je kupec obveščen trgovec; podobno je naročilo razvrščeno kot prodajno naročilo, če je prodajalec obveščen trgovec. Več o prepoznavanju nakupnih in prodajnih poslov sledi.

Prepoznavanje ozaveščenih poslov

Pravilo Tick razvršča premišljene nakupne in prodajne posle z identifikacijo trgovinskega agresorja, tj. stranke, ki sprejema cene. Trgovec, ki kupi Bitcoin prek tržnega naročila, se bo ujemal z najboljšim povpraševanjem v knjigi naročil – nad srednjo ponudbo in povpraševanjem. Zaradi tega je agresor. Če trgovec odda omejeno naročilo za nakup Bitcoina pod povprečjem ponudbe in povpraševanja, se lahko to naročilo sčasoma izpolni, če drug trgovec agresivno prodaja Bitcoin prek tržnega naročila.

Pravilo Tick identificira trgovskega agresorja na podlagi preprostega opazovanja. Agresivna nakupna naročila ponavadi zvišajo ceno sredstva, saj se naročilo ujema z najnižjim povpraševanjem v knjigi naročil. Podobno agresivna prodajna naročila običajno znižajo ceno sredstva, potem ko se izenači najvišja ponudba. Kasnejša sprememba cene se lahko uporabi za identifikacijo trgovinskega agresorja.

Trgovanja, ki povzročijo naknadno zvišanje cene, so označena kot 1 — nakup. Posli, ki so povzročili znižanje cene, so označeni z -1 — prodaja. Posli, ki ne povzročijo spremembe cene (ker niso v celoti izpolnili najvišje ponudbe ali najnižje ponudbe), so označeni s prejšnjo kljukico.

Težave s pravilom kljukice

Medtem ko pravilo Tick (na splošno) uspešno identificira agresorsko stran, nekatere nedavne raziskave kažejo, da trgovci na agresorski strani in obveščeni trgovci morda niso enakovredni na visokofrekvenčnih trgih. Na primer, obveščen trgovec lahko preprosto odda več omejenih naročil v celotni knjigi naročil, prekliče tista, ki se ne izpolnijo, in še vedno izgleda neobveščen v skladu s pravilom kljukice.

Prvotna izvedba VPIN uporablja Bayesov pristop, imenovan Klasifikacija razsutega volumna (BVC) za približek deleža informiranega obsega nakupa in prodaje v vsaki vrstici (na podlagi časa ali količine). Moje praktične izkušnje z BVC so precej mešane. Namesto da bi uporabil BVC, sem se odločil za drugo možnost: uporabi trgovalne oznake, ki določajo, ali je bil kupec ali prodajalec ustvarjalec trga v neobdelanih podatkih Binance Trade.

Binance objavlja podatke o trgovanju v živo prek toka Websocket, ki sem jih zbiral na strežniku AWS od začetka avgusta lani; od tod prihajajo moji podatki. Od marca 2021 lahko prenesete tudi zgodovinske podatke tukaj.

Pogled na VPN

Izračunal sem VPIN z vrtečimi se dolarskimi palicami s približno 1600 vzorci na dan z velikostjo okna 1000. To pomeni, da vsak obseg vedra ni strogo gledano popolnoma enake velikosti. Kljub temu so razlike minimalne, zato se počutim udobno pri uporabi izvirne izvedbe, ne da bi bilo treba obtežiti posamezne vedra.

Za razliko od prvotne izvedbe sta bila obseg nakupa in prodaje razvrščena z oznakami na ravni trgovanja, ki določajo, ali je bil kupec ustvarjalec trga ali ne. Prav tako za razliko od prvotne izvedbe VPN PIN ni stacionaren.

Zdi se, da so se neravnovesja v pretoku naročil v preteklem letu znatno zmanjšala, saj sta se povečala tržna kapitalizacija in obseg trgovanja z bitcoini. To je v skladu z raziskavo, ki kaže, da imajo večje delnice nižje razpone med ponudbo in povpraševanjem, kar pomeni manj neugodno izbiro.

Zdi se, da je neravnovesje toka naročil med nakupnimi in prodajnimi naročili na strani agresorja do zadnjega popravka — 19. maja 2021 — minimalno. Relativno nizka metrika VPIN pomeni, da toksičnost ni imela vloge pri popravku.

Včasih se zdi, da lokalizirana neravnovesja toka naročil dosežejo vrhunec tik pred dramatičnim znižanjem cene – najboljša primera sta 12. in 18. junij. Vendar bi to lahko samo jaz, ki berem v grafikonu.

Predvidevanje oznak s trojno pregrado z VPN

VPIN ni bil nujno zasnovan za napovedovanje prihodnjih donosov. Namesto tega zgolj opisuje povprečna neravnovesja tokov naročil, utežena s količino, v zgodovinskem oknu. Poznavanja teh neravnovesij ni nujno mogoče uporabiti za napovedovanje vztrajnosti, povečanja ali zmanjšanja prihodnjih neravnovesij. Kljub temu sem mislil, da bi lahko poskusil.

Uporabil sem precej standardno nastavitev, ki jo je predlagal Marcos López de Prado - naslednji odstavek bo zvenel kot bedarija za tiste, ki ne poznajo finančnega strojnega učenja, zato ga lahko preskočite.

Izračunal sem nestanovitnosti prilagojene oznake s trojno pregrado za razvrstitev vzorcev kot dolge ali kratke pozicije. Največja širina nalepke je omejena na 3.5 % v obe smeri; zadetki z navpično pregrado so razvrščeni glede na absolutni donos po dolžini položaja. Izračunal sem uteži vzorcev na podlagi povprečne edinstvenosti. RF se usposablja s 100 drevesi, ustreznimi največjimi vzorci na drevo, največ eno značilnostjo na drevo in največjo globino 6. Podatki so skalirani, očiščeni, embargo (5 %) in petkrat navzkrižno potrjeni . Preberite prva dva dela Marcosovega Knjiga če te zanimajo podrobnosti.

Ker se zdi, da je proti koncu lanskega leta prišlo do velikega preloma v VPIN, sem se odločil, da bom uporabil le podatke iz zadnjih šestih mesecev in pol; torej približno mesec dni podatkov na pregib. To pomeni skupno približno 250,000 vzorcev.

Tako kot v izvirnem prispevku sem prilagodil metriko VPIN z uporabo log-normalne porazdelitve in uril model na CDF VPIN. Uporabil sem sedem različnih velikosti oken: 50, 100, 250, 500, 1000, 2500 in 5000. Spodaj so narisane ROC krivulje po vseh petih gubah.

Model je v povprečju očitno slabši od primerjalne vrednosti 0.5 AUC, medtem ko se zmogljivost razlikuje glede na pregibe. Kljub temu krivulja ROC in rezultat AUC morda nista najboljši način za ocenjevanje delovanja (CDF) VPIN.

Ocenjevanje zmogljivosti zadnjega dela VPN-ja

Težava s krivuljo ROC v finančnem strojnem učenju je, da ne dajejo dobre predstave o uspešnosti zadnjega dela. Povsem mogoče je – in celo verjetno –, da VPN nima vpliva na oblikovanje cen v normalnih tržnih razmerah. Upravljavci trga dejansko pričakujejo nihanja med obsegom nakupa in prodaje; to je samo strošek poslovanja.

Zanima me, ali ima toksičnost izjemno visokega ali nizkega toka v ekstremnih tržnih razmerah kakšno napovedno sposobnost v Bitcoinu. Zdi se, da je odgovor (spodaj) pritrdilen.

Pogled na krivulje natančnega odpoklica

Krivulja natančnega priklica prikazuje kompromis med natančnostjo in priklicem prek različnih pragov. V tem primeru kaže, da pri zelo visokih pragovih, tj. zelo nizkih stopnjah priklica (0.05 in nižje), povprečna natančnost modela pri prepoznavanju dolgih pozicij v vseh petih gubah naraste do visokih petdeset (in morda celo šestdeset). Pri pragu 0.6 v vseh petih gubah Random Forest pravilno identificira 75 % dolgih pozicij, čeprav je AUC precej pod 0.5.

Krivulja Precision Recall za kratke pozicije pripoveduje podobno zgodbo. Čeprav povprečna vrednost AUC ostaja pod 0.5 v vseh petih krivuljah, pride do skoka v natančnosti pri zelo visokih pragovih.

To nakazuje, da ima lahko VPN zmožnost napovedovanja le v zelo redkih primerih – morda največ enkrat ali dvakrat na mesec v tem naboru podatkov.

Vloga volatilnosti

Trgi se na splošno obnašajo precej različno v obdobjih visoke in nizke volatilnosti. Predvidljivost nekaterih značilnosti se med šokom nestanovitnosti opazno zmanjša, druge značilnosti (vključno s tržnimi mikrostrukturnimi) pa postanejo pomembnejše.

Ukrepi toksičnosti toka naročil bi lahko bili še posebej pomembni na trgu, ki je že nestanoviten, kjer so vzdrževalci trga že razširili razpon, pri katerem zagotavljajo likvidnost. Če obveščeni trgovci poleg velike nestanovitnosti cen tudi negativno izbirajo vzdrževalce trga, bi to lahko pomenilo nekakšen "dvojni udarec" (tu seveda zgolj špekuliram).

Če nadaljujemo s to linijo špekulacij, je verjetnost, da bodo ustvarjalci trga prevzeli izgube na zelo nestanovitnem trgu, verjetnejša. To poveča verjetnost, da zapustijo svoje zaloge (kot so storili med padcem Flash 2010), kar povzroči znižanje cen.

Vrednotenje VPIN s pragom volatilnosti

Prag volatilnosti odstrani vse vzorce iz nabora podatkov, kjer volatilnost pade pod določeno referenčno vrednost. Na primer, v tem naboru podatkov prag nestanovitnosti 0.02 izključuje približno tri petine podatkov, vendar vodi do dramatičnih izboljšav AUC, krivulje priklica dolge natančnosti in krivulje priklica kratke natančnosti.

Ocena AUC se dvigne z 0.49 (slabše kot pri naključnem klasifikatorju) na spoštljivih 0.55. Vrednost AUC v vseh zloženkah razen v eni je precej nad referenčno vrednostjo 0.5.

Za krivulje Precision Recall se zdi, da je vključitev praga nestanovitnosti dramatično zvišala natančnost pri različnih pragovih. Zdi se, da ima VPN znatno večjo napovedno zmogljivost na trgih, ki so že tako nestanovitni.

Seveda je možno, da sem (na nek način) presegel podatke. Popolnejša analiza bi ta isti pristop uporabila za druge kriptovalute, kot so Ethereum, Ripple in Cardano, da bi zagotovila, da lahko VPIN dejansko predvidi gibanje cen in da njegova napovedna zmogljivost narašča z volatilnostjo.

Misli, ki se ločujejo

Upravljavci trga igrajo eno najpomembnejših vlog na borzi – zagotavljajo likvidnost. Ko pa obveščeni trgovci izberejo njihova naročila, imajo ti ponudniki likvidnosti izgube. Nato se soočijo z izbiro: lahko povečajo stroške svojih storitev ali pa se v hujših primerih popolnoma umaknejo s trga. Z analizo neravnovesja toka naročil med obsegom nakupa in prodaje lahko modeliramo interakcije med obveščenimi trgovci in vzdrževalci trga.

Ne samo, da je lahko strupenost toka naročila a dober napovedovalec kratkoročne volatilnosti — zdi se, da lahko v nekaterih (zelo) redkih primerih celo napove večje premike cen.

Zmogljivost napovedovanja VPN-jev se močno poveča, ko je zadevni trg že precej nestanoviten. O razlogih lahko le ugibam, v resnici pa vidim dva.

Prvi je ta, da vzdrževalci trga delujejo na kot britev tankih maržah. Posledično je večja verjetnost, da bodo utrpeli velike izgube zaradi neugodne izbire na bolj nestanovitnih trgih.

Poleg tega so razmiki na nestanovitnih trgih že precej veliki. Strupenost toka naročil – poleg volatilnosti – bi lahko drastično povečala razmike (in stroške zdrsa za trgovce). Ko se to zgodi, trgovanje postane zelo drago; Predvidevam, da bodo trgovci zaradi vpliva visoke cene manj verjetno kupovali, vendar bodo še vedno prisiljeni prodajati, če se trg zruši.

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