โครงสร้างจุลภาคของตลาดเชิงประจักษ์

ตั้งแต่เดือนสิงหาคมปี 2020 มีการซื้อขาย Bitcoin ในสกุลเงิน USDT มากกว่า 800 พันล้านดอลลาร์บน Binance — จนถึงตอนนี้ ใหญ่ที่สุด การแลกเปลี่ยนบิทคอยน์ เช่นเดียวกับในตลาดอื่น ๆ สภาพคล่องส่วนใหญ่ที่มีให้ใน Binance มาจากผู้ดูแลสภาพคล่อง: บริษัทที่ยินดีซื้อหรือขาย Bitcoin ด้วยความหวังว่าพวกเขาจะทำกำไรจากสเปรดเสนอราคาและถาม

โครงสร้างจุลภาคของตลาดคืออะไร?

การรับรู้ทฤษฎีโครงสร้างจุลภาคของตลาดzการก่อตัวของราคานั้นถูกกำหนดโดยปัจจัยภายนอกเช่นเดียวกับปัจจัยภายนอก สภาพคล่อง ผลกระทบของตลาด ต้นทุนการทำธุรกรรม (สลิปเพจ) ความผันผวน และกลไกของ Limit Order Book ล้วนมีบทบาทสำคัญ

ทฤษฎีเศรษฐศาสตร์คลาสสิกเกี่ยวกับอุปสงค์และอุปทานตั้งสมมติฐานว่านักลงทุนคนใดก็ตามที่ยินดีซื้อและขายในราคาสมดุลสามารถทำเช่นนั้นได้ ในความเป็นจริง การซื้อหรือขายหลักทรัพย์จะทำให้ราคาตลาดเปลี่ยนแปลงไป การค้าขายมีผลกระทบต่อตลาด

นักลงทุนที่ต้องการซื้อหรือขาย Bitcoin จำนวนมากจะไม่ดำเนินการคำสั่งซื้อทั้งหมดพร้อมกัน แต่จะค่อยๆ ดำเนินการไปตามเวลาเพื่อซื้อที่ต่ำสุดหรือขายที่ราคาสูงสุด Stan Druckenmiller — ผู้ซึ่งร่วมกับ George Soros ทำลายธนาคารแห่งอังกฤษ in 1992— เพิ่งกล่าวถึงว่าเขา พยายามซื้อ Bitcoin มูลค่า 100 ล้านเหรียญสหรัฐในปี 2018 เนื่องจากขาดสภาพคล่อง เขาจึงใช้เวลาสองสัปดาห์ในการซื้อมูลค่า 20 ล้านเหรียญสหรัฐ ซึ่ง ณ จุดนั้นเขาก็ยอมแพ้

ดังนั้น ผลกระทบต่อตลาดจากการค้าจึงมีบทบาทสำคัญในการตัดสินใจของนักลงทุนในการซื้อหรือขายหลักทรัพย์ ซึ่งจะส่งผลต่อราคาที่หลักทรัพย์นั้นซื้อขาย

แล้วความเป็นพิษต่อการไหลของคำสั่งซื้อล่ะ?

ผู้เข้าร่วมตลาดทุกคนเข้าสู่ตลาดด้วยความหวังที่จะทำกำไร แต่ผู้ดูแลสภาพคล่องและเทรดเดอร์ก็ทำ (หรือขาดทุน) เงินด้วยวิธีที่แตกต่างกันโดยพื้นฐาน ผู้ดูแลสภาพคล่องทั้งซื้อและขาย Bitcoin ด้วยความหวังว่าจะได้รับราคาเสนอซื้อและเสนอขาย ผู้ค้าซื้อและขาย Bitcoin เนื่องจากพวกเขามีความเชื่อทั้งที่มีข้อมูลหรือไม่มีข้อมูลเกี่ยวกับการเปลี่ยนแปลงของราคาในอนาคต

หากต้องการได้รับการแพร่กระจายของราคาเสนอซื้อ ผู้ดูแลสภาพคล่องจะต้องจัดการสินค้าคงคลังของทั้ง Bitcoin และ Tether อย่างแข็งขัน เมื่อกระแสการซื้อขายมีความสมดุล พวกเขาสามารถขาย Bitcoin ได้ตามต้องการและซื้อคืนตามราคาเสนอซื้อเพื่อทำกำไร อย่างไรก็ตาม หากกระแสการซื้อขายไม่สมดุลเกินไป ผู้ดูแลสภาพคล่องจะโรลโอเวอร์สินค้าคงคลังของตนเพื่อทำกำไรได้ยากขึ้น โดยทั่วไป ผู้ดูแลสภาพคล่องจะเพิ่มราคาที่พวกเขาเรียกเก็บสำหรับบริการของตน — สเปรดราคาเสนอซื้อ-ถาม — ซึ่งจะเพิ่มต้นทุนการซื้อขาย (สลิปเพจ) สำหรับเทรดเดอร์

ผู้ดูแลสภาพคล่องและเทรดเดอร์ทำเงิน (หรือขาดทุน) ด้วยวิธีที่แตกต่างกันโดยพื้นฐาน

การเสนอราคาและสอบถามผู้ดูแลสภาพคล่องรายใดที่เต็มใจที่จะจัดหาสภาพคล่องจะถูกกำหนดโดยระดับที่พวกเขาถูกเลือกในทางลบโดยเทรดเดอร์ที่มีข้อมูล หากกระแสคำสั่งไม่สมดุลเนื่องจากเทรดเดอร์ที่มีข้อมูลกำลังซื้อหรือขาย Bitcoin กระแสคำสั่งนั้นถือว่าเป็นพิษ

ความเป็นพิษของลำดับการไหลและความผิดพลาดแบบแฟลช

ในปี 2010 นักวิจัยสามคนจาก Cornell ร่วมกับ Tudor Investment Group ได้ตีพิมพ์ กระดาษ อธิบายว่าเหตุขัดข้องที่เกิดขึ้นในปี 2010 ซึ่งในระหว่างนั้นดัชนีเฉลี่ยอุตสาหกรรมดาวโจนส์ (DJIA) ลดลง 9% ในช่วงสั้นๆ ก่อนที่จะฟื้นตัวในทันที มีสาเหตุมาจากความเป็นพิษต่อกระแสคำสั่งซื้อในปริมาณมาก

แบบจำลองที่ใช้ในการระบุโฟลว์คำสั่งซื้อขายที่เป็นพิษ — VPIN (ความน่าจะเป็นที่สัมพันธ์กับปริมาณของการซื้อขายโดยมีข้อมูล) — พุ่งขึ้นสู่ระดับสูงสุดตลอดกาลในชั่วโมงที่นำไปสู่ความผิดพลาดแบบฉับพลัน และคาดการณ์ได้สำเร็จสิ่งที่ยังถือว่าเป็นเหตุการณ์ลึกลับ

บทความของทิวดอร์ได้รับความสนใจจากสื่อ: บลูมเบิร์ก บทความ ชี้ให้เห็นว่า VPIN สามารถ “ช่วยหน่วยงานกำกับดูแลป้องกันการล่ม เช่น การล่มสลายในวันที่ 6 พฤษภาคม” นักวิจัยจากห้องปฏิบัติการแห่งชาติ Lawrence Berkeley แสดงให้เห็นว่า VPIN สามารถคาดการณ์เหตุการณ์ความผันผวนสูงในตลาด Futures ได้เป็นอย่างดีตั้งแต่เดือนมกราคม 2007 ถึงกรกฎาคม 2012

ในความสดใส กระดาษในภายหลังผู้เขียนคนเดียวกันชี้ให้เห็นว่าความเป็นพิษต่อกระแสคำสั่งซื้อสูงไม่เพียงแต่บังคับให้ผู้ดูแลสภาพคล่องออกจากตลาดเท่านั้น หากผู้ดูแลสภาพคล่องต้องทิ้งสินค้าคงคลังโดยขาดทุน พวกเขาสามารถระบายสภาพคล่องที่เหลืออยู่แทนที่จะจัดหาให้

ในช่วงหลายชั่วโมงก่อนเกิดเหตุการณ์ตกในวันที่ 6 พฤษภาคม เทรดเดอร์ที่ได้รับแจ้งได้ขายสถานะของตนให้กับผู้ดูแลสภาพคล่องอย่างต่อเนื่อง ซึ่งต้องเผชิญกับการขาดทุนที่เพิ่มขึ้น เมื่อผู้ดูแลสภาพคล่องเดียวกันเหล่านี้ถูกบังคับให้ผ่อนคลายตำแหน่งของตนในที่สุด ผลลัพธ์ที่ได้ก็กลายเป็นหายนะ ตามคำพูดของนักวิจัย: “ความเป็นพิษขั้นรุนแรงมีความสามารถในการเปลี่ยนผู้ให้บริการสภาพคล่องให้กลายเป็นผู้บริโภคสภาพคล่อง”

“ความเป็นพิษขั้นรุนแรงมีความสามารถในการเปลี่ยนผู้ให้บริการสภาพคล่องให้กลายเป็นผู้บริโภคสภาพคล่อง” — โครงสร้างจุลภาคของ 'Flash Crash'

แต่ VPIN คืออะไร?

VPIN ขึ้นอยู่กับโมเดล PIN ซึ่งมองว่าการซื้อขายเป็นเกมระหว่างผู้เข้าร่วมสามประเภท: เทรดเดอร์ที่ได้รับข้อมูล เทรดเดอร์ที่ไม่ได้รับความรู้ และผู้ดูแลสภาพคล่อง

VPIN ถูกประมาณว่าเป็นความแตกต่างสัมบูรณ์ระหว่างปริมาณการซื้อและการขายในช่วงระยะเวลาที่ผ่านมา แทนที่จะสุ่มตัวอย่างตามเวลา VPIN จะถูกคำนวณโดยใช้แถบปริมาณคงที่ ตัวอย่างเช่น คุณสามารถสุ่มตัวอย่างได้ทุกครั้งที่มีการแลกเปลี่ยน Bitcoins 1000 รายการ

ปริมาณมีแนวโน้มที่จะเพิ่มขึ้นเมื่อมีข้อมูลใหม่มาถึงตลาด และลดลงเมื่อไม่มี ดังนั้น การสุ่มตัวอย่างตามปริมาตรจึงคล้ายกับการสุ่มตัวอย่างตามความผันผวน (และการไหลของข้อมูล)

คำสั่งซื้อจะถูกจัดประเภทเป็นคำสั่งซื้อหากผู้ซื้อเป็นเทรดเดอร์ที่ได้รับข้อมูล ในทำนองเดียวกัน คำสั่งซื้อจะถูกจัดประเภทเป็นคำสั่งขายหากผู้ขายเป็นเทรดเดอร์ที่ได้รับข้อมูล เพิ่มเติมเกี่ยวกับการระบุการซื้อขายซื้อและขายต่อไป

การระบุการค้าที่ได้รับแจ้ง

กฎ Tick จะจำแนกการซื้อขายที่มีข้อมูลซื้อและขายโดยการระบุผู้รุกรานทางการค้า เช่น ฝ่ายกำหนดราคา เทรดเดอร์ที่ซื้อ Bitcoin ผ่าน Market Order จะถูกจับคู่กับราคา Ask ที่ดีที่สุดในสมุดออเดอร์ ซึ่งอยู่เหนือค่าเฉลี่ย Bid-Ask นี่ทำให้เขากลายเป็นผู้รุกราน หากผู้ซื้อขายส่ง Limit Order เพื่อซื้อ Bitcoin ที่ต่ำกว่าค่าเฉลี่ย bid-ask คำสั่งซื้อนั้นอาจเติมเต็มในที่สุดหากผู้ซื้อขายรายอื่นขาย Bitcoin อย่างแข็งขันผ่านคำสั่งซื้อของตลาด

กฎ Tick ระบุผู้รุกรานทางการค้าโดยอาศัยการสังเกตง่ายๆ คำสั่งซื้อเชิงรุกมีแนวโน้มที่จะเพิ่มราคาของสินทรัพย์ เนื่องจากคำสั่งซื้อจะถูกจับคู่กับราคาเสนอขายที่ต่ำที่สุดในสมุดคำสั่งซื้อ ในทำนองเดียวกัน คำสั่งขายเชิงรุกมีแนวโน้มที่จะลดราคาของสินทรัพย์หลังจากจับคู่ราคาเสนอสูงสุดแล้ว การเปลี่ยนแปลงราคาในภายหลังสามารถใช้เพื่อระบุผู้รุกรานทางการค้าได้

การซื้อขายที่ทำให้ราคาเพิ่มขึ้นในภายหลังจะถูกระบุว่าเป็น 1 — ซื้อ การซื้อขายที่ทำให้ราคาลดลงจะมีป้ายกำกับว่า -1 — การขาย การซื้อขายที่ไม่ทำให้เกิดการเปลี่ยนแปลงของราคา (เนื่องจากไม่ได้กรอกราคาเสนอสูงสุดหรือราคาเสนอขายต่ำสุดทั้งหมด) จะมีป้ายกำกับกำกับไว้ด้วยเครื่องหมายถูกก่อนหน้า

ปัญหาเกี่ยวกับกฎการติ๊ก

แม้ว่ากฎ Tick (โดยทั่วไป) จะระบุฝั่งผู้รุกรานได้สำเร็จ แต่งานวิจัยล่าสุดบางชิ้นชี้ให้เห็นว่าเทรดเดอร์ฝั่งผู้รุกรานและเทรดเดอร์ที่ได้รับข้อมูลอาจไม่เทียบเท่าในตลาดที่มีความถี่สูง ตัวอย่างเช่น เทรดเดอร์ที่มีข้อมูลสามารถส่งคำสั่งจำกัดหลายคำสั่งตลอดทั้งสมุดคำสั่ง ยกเลิกคำสั่งที่ไม่กรอก และยังดูเหมือนไม่มีข้อมูลตามกฎ Tick

การใช้งาน VPIN ดั้งเดิมนั้นใช้วิธีการแบบเบย์ที่เรียกว่า การจำแนกประเภทปริมาณมาก (BVC) เพื่อประมาณสัดส่วนของปริมาณการซื้อและขายที่ทราบในแต่ละแท่ง (ตามเวลาหรือปริมาณ) ประสบการณ์จริงของฉันกับ BVC ค่อนข้างหลากหลาย แทนที่จะใช้ BVC ฉันตัดสินใจใช้ตัวเลือกอื่น: ใช้แท็กการค้าซึ่งระบุว่าผู้ซื้อหรือผู้ขายเป็นผู้ดูแลสภาพคล่องในข้อมูลดิบของ Binance Trade

Binance เผยแพร่ข้อมูลการซื้อขายสดผ่านสตรีม Websocket ซึ่งฉันได้รวบรวมบนเซิร์ฟเวอร์ AWS ตั้งแต่ต้นเดือนสิงหาคมปีที่แล้ว นั่นคือที่มาของข้อมูลของฉัน ตั้งแต่เดือนมีนาคม 2021 คุณยังดาวน์โหลดข้อมูลประวัติได้ด้วย ที่นี่

ดู VPIN

ฉันได้คำนวณ VPIN โดยใช้ Dollar Bars แบบต่อเนื่องกับตัวอย่างประมาณ 1600 ตัวอย่างต่อวันโดยมีขนาดกรอบเวลา 1000 ซึ่งหมายความว่าแต่ละบัคเก็ตวอลุ่มไม่ได้ระบุขนาดที่เท่ากันทุกประการ ถึงกระนั้น ความแตกต่างก็มีน้อยมาก ฉันจึงรู้สึกสบายใจที่จะใช้งานแบบเดิมโดยไม่ต้องชั่งน้ำหนักแต่ละที่เก็บข้อมูล

ต่างจากการใช้งานเดิม ปริมาณการซื้อและการขายได้รับการจำแนกโดยใช้แท็กระดับการค้าซึ่งระบุว่าผู้ซื้อเป็นผู้ดูแลสภาพคล่องหรือไม่ นอกจากนี้ VPIN ไม่เหมือนกับการใช้งานแบบเดิมตรงที่ไม่อยู่กับที่

ความไม่สมดุลของกระแสคำสั่งซื้อดูเหมือนจะลดลงอย่างมากในปีที่ผ่านมา เนื่องจากมูลค่าตลาดและปริมาณการซื้อขายของ Bitcoin เพิ่มขึ้น ซึ่งสอดคล้องกับการวิจัยที่แสดงให้เห็นว่าหุ้นขนาดใหญ่มีสเปรดราคาเสนอซื้อ-ถามที่ต่ำกว่า ซึ่งหมายถึงการเลือกที่ไม่พึงประสงค์น้อยกว่า

ความไม่สมดุลของกระแสคำสั่งซื้อระหว่างคำสั่งซื้อและขายฝั่งผู้รุกรานที่นำไปสู่การแก้ไขครั้งล่าสุด — วันที่ 19 พฤษภาคม 2021— ปรากฏเพียงเล็กน้อย ตัวชี้วัด VPIN ที่ค่อนข้างต่ำบ่งบอกว่าความเป็นพิษไม่ได้มีบทบาทในการแก้ไข

บางครั้งความไม่สมดุลของลำดับคำสั่งในท้องถิ่นดูเหมือนจะถึงจุดสูงสุดก่อนที่ราคาจะลดลงอย่างมาก วันที่ 12 และ 18 มิถุนายนคือตัวอย่างที่ดีที่สุด อย่างไรก็ตาม นี่อาจเป็นเพียงการที่ฉันอ่านแผนภูมิเท่านั้น

การทำนายฉลาก Triple Barrier ด้วย VPIN

VPIN ไม่ได้ออกแบบมาเพื่อคาดการณ์ผลตอบแทนในอนาคตเสมอไป แต่จะอธิบายเพียงค่าเฉลี่ยที่ไม่สมดุลของโฟลว์คำสั่งซื้อที่ถ่วงน้ำหนักตามปริมาณในอดีต ความรู้เกี่ยวกับความไม่สมดุลเหล่านี้ไม่สามารถนำมาใช้คาดการณ์ความคงอยู่ การเพิ่มขึ้น หรือลดลงของความไม่สมดุลในอนาคตได้ อย่างไรก็ตาม ฉันคิดว่าฉันอาจจะลองเสี่ยงดู

ฉันใช้การตั้งค่ามาตรฐานที่เสนอโดย Marcos López de Prado — ย่อหน้าต่อไปนี้อาจฟังดูไร้สาระสำหรับผู้ที่ไม่คุ้นเคยกับ Financial Machine Learning ดังนั้นอย่าลังเลที่จะข้ามไปได้เลย

ฉันได้คำนวณความผันผวนของ Triple Barrier Labels ที่ปรับแล้วเพื่อแยกประเภทตัวอย่างเป็นตำแหน่ง Long หรือ Short ความกว้างสูงสุดของฉลากถูกจำกัดไว้ที่ 3.5% ในทิศทางใดทิศทางหนึ่ง การชนสิ่งกีดขวางในแนวตั้งจะถูกจำแนกตามผลตอบแทนสัมบูรณ์ตลอดความยาวของตำแหน่ง ฉันได้คำนวณน้ำหนักตัวอย่างโดยพิจารณาจากความเป็นเอกลักษณ์โดยเฉลี่ย RF ได้รับการฝึกอบรมกับต้นไม้ 100 ต้น ตัวอย่างสูงสุดที่เกี่ยวข้องต่อต้น ไม่เกินหนึ่งจุดสนใจต่อต้นไม้ และความลึกสูงสุด 6 ข้อมูลถูกปรับขนาด ล้างข้อมูล ห้ามส่งสินค้า (5%) และตรวจสอบความถูกต้องข้ามห้าเท่า . อ่านสองส่วนแรกของ Marcos' หนังสือ หากคุณสนใจในรายละเอียด

เนื่องจากดูเหมือนว่าจะมีการแตกหักอย่างมากใน VPIN เมื่อปลายปีที่แล้ว ฉันจึงตัดสินใจใช้เฉพาะข้อมูลในช่วงหกเดือนครึ่งที่ผ่านมาเท่านั้น ข้อมูลประมาณหนึ่งเดือนต่อพับ นั่นทำให้มีทั้งหมดประมาณ 250,000 ตัวอย่าง

เช่นเดียวกับในรายงานต้นฉบับ ฉันติดตั้งหน่วยเมตริก VPIN โดยใช้การแจกแจงแบบปกติและฝึกโมเดลบน CDF ของ VPIN ฉันใช้ขนาดหน้าต่างที่แตกต่างกันเจ็ดขนาด: 50, 100, 250, 500, 1000, 2500 และ 5000 เส้นโค้ง ROC ทั่วทั้งห้าเท่ามีการวางแผนไว้ด้านล่าง

โมเดลดังกล่าวมีประสิทธิภาพต่ำกว่าเกณฑ์มาตรฐาน AUC โดยเฉลี่ย 0.5 อย่างชัดเจน ในขณะที่ประสิทธิภาพแตกต่างกันไปในแต่ละพับ อย่างไรก็ตาม กราฟ ROC และคะแนน AUC อาจไม่ใช่วิธีที่ดีที่สุดในการประเมินประสิทธิภาพของ (CDF ของ) VPIN

การประเมินประสิทธิภาพส่วนท้ายของ VPIN

ปัญหาของเส้นโค้ง ROC ใน Financial Machine Learning คือ พวกเขาไม่ได้ให้แนวคิดที่ดีเกี่ยวกับประสิทธิภาพของส่วนท้าย เป็นไปได้ทั้งหมดและเป็นไปได้ด้วยซ้ำว่า VPIN จะไม่ส่งผลกระทบต่อการสร้างราคาในช่วงสภาวะตลาดปกติ แท้จริงแล้วผู้ดูแลสภาพคล่องคาดว่าความผันผวนระหว่างปริมาณการซื้อและการขาย นั่นเป็นเพียงต้นทุนในการทำธุรกิจ

ฉันต้องการทราบว่าความเป็นพิษต่อการไหลของคำสั่งซื้อที่สูงหรือต่ำมากในช่วงสภาวะตลาดที่รุนแรงนั้นมีความสามารถในการคาดการณ์ใน Bitcoin หรือไม่ คำตอบ (ด้านล่าง) ดูเหมือนจะใช่

ดูเส้นโค้งการเรียกคืนที่แม่นยำ

เส้นโค้ง Precision Recall จะวางแผนการแลกเปลี่ยนระหว่างความแม่นยำและการเรียกคืนตามเกณฑ์ที่ต่างกัน ในกรณีนี้ แสดงให้เห็นว่าที่เกณฑ์ที่สูงมาก เช่น ระดับการเรียกคืนที่ต่ำมาก (0.05 และต่ำกว่า) ความแม่นยำโดยเฉลี่ยของแบบจำลองในการระบุตำแหน่งยาวในทั้งห้าเท่าจะเพิ่มขึ้นเป็นช่วงห้าสิบสูง (และอาจถึงหกสิบด้วยซ้ำ) ที่เกณฑ์ 0.6 ในทั้งห้าเท่า Random Forest ระบุ 75% ของตำแหน่ง Long ได้อย่างถูกต้อง แม้ว่า AUC จะต่ำกว่า 0.5 ก็ตาม

เส้นโค้ง Precision Recall สำหรับตำแหน่งขายก็บอกเล่าเรื่องราวที่คล้ายกัน แม้ว่า AUC เฉลี่ยจะยังคงต่ำกว่า 0.5 ในทั้งห้าเส้นโค้ง แต่ก็มีความแม่นยำที่เพิ่มขึ้นอย่างรวดเร็วที่เกณฑ์ที่สูงมาก

สิ่งนี้ชี้ให้เห็นว่า VPIN อาจมีความสามารถในการคาดการณ์ได้ในกรณีที่หายากมากเท่านั้น — อาจจะเดือนละครั้งหรือสองครั้งในชุดข้อมูลนี้มากที่สุด

บทบาทของความผันผวน

โดยทั่วไปแล้วตลาดจะมีพฤติกรรมแตกต่างออกไปในช่วงที่มีความผันผวนสูงและต่ำ ความสามารถในการคาดการณ์ของคุณสมบัติบางอย่างจะลดลงอย่างเห็นได้ชัดในช่วงที่เกิดความผันผวน ในขณะที่คุณสมบัติอื่นๆ (รวมถึงคุณสมบัติโครงสร้างจุลภาคของตลาด) มีความเกี่ยวข้องมากขึ้น

มาตรการวัดความเป็นพิษของกระแสคำสั่งซื้ออาจเกี่ยวข้องเป็นพิเศษในตลาดที่มีความผันผวนอยู่แล้ว ซึ่งผู้ดูแลสภาพคล่องได้ขยายส่วนต่างที่ทำให้เกิดสภาพคล่องให้กว้างขึ้นแล้ว นอกเหนือจากการจัดการกับความผันผวนของราคาที่สูงแล้ว ผู้ดูแลสภาพคล่องยังถูกเลือกในทางลบโดยเทรดเดอร์ที่มีข้อมูล สิ่งนี้อาจก่อให้เกิด "คำสาปแช่งสองเท่า" (แน่นอนว่าฉันคาดเดาเพียงอย่างเดียวในที่นี้)

เพื่อดำเนินการต่อการเก็งกำไรนี้ ผู้ดูแลสภาพคล่องอาจมีแนวโน้มที่จะขาดทุนในตลาดที่มีความผันผวนสูง สิ่งนี้จะเพิ่มความน่าจะเป็นที่จะทิ้งสินค้าคงคลัง (เช่นเดียวกับที่เกิดขึ้นในช่วง Flash Crash ปี 2010) ส่งผลให้ราคาลดลง

การประเมิน VPIN ด้วยเกณฑ์ความผันผวน

เกณฑ์ความผันผวนจะลบตัวอย่างทั้งหมดออกจากชุดข้อมูลที่ความผันผวนต่ำกว่าเกณฑ์มาตรฐานที่กำหนด ตัวอย่างเช่น ในชุดข้อมูลนี้ เกณฑ์ความผันผวน 0.02 ไม่รวมประมาณสามในห้าของข้อมูล แต่นำไปสู่การปรับปรุงอย่างมากใน AUC, Long Precision Recall Curve และ Short Precision Recall Curve

คะแนน AUC เพิ่มขึ้นจาก 0.49 (แย่กว่าตัวแยกประเภทแบบสุ่ม) เป็น 0.55 ที่น่านับถือ คะแนน AUC ในทุกเท่า ยกเว้นคะแนนเดียวที่สูงกว่าเกณฑ์มาตรฐาน 0.5 มาก

สำหรับเส้นโค้ง Precision Recall การรวมเกณฑ์ความผันผวนดูเหมือนจะเพิ่มความแม่นยำอย่างมากในเกณฑ์ต่างๆ ดูเหมือนว่า VPIN จะมีความสามารถในการคาดการณ์ที่สูงขึ้นอย่างมีนัยสำคัญในตลาดที่มีความผันผวนอยู่แล้ว

แน่นอนว่าเป็นไปได้ที่ฉันมีข้อมูลมากเกินไป (ในทางใดทางหนึ่ง) การวิเคราะห์ที่สมบูรณ์กว่านี้จะใช้แนวทางเดียวกันนี้กับสกุลเงินดิจิทัลอื่นๆ เช่น Ethereum, Ripple และ Cardano เพื่อให้แน่ใจว่า VPIN สามารถทำนายการเคลื่อนไหวของราคาได้จริง และความสามารถในการคาดการณ์เพิ่มขึ้นพร้อมกับความผันผวน

แบ่งความคิด

ผู้ดูแลสภาพคล่องมีบทบาทที่สำคัญที่สุดประการหนึ่งในการแลกเปลี่ยน—พวกเขาให้สภาพคล่อง อย่างไรก็ตาม เมื่อเทรดเดอร์ที่ได้รับแจ้งเลือกคำสั่งซื้อขาย ผู้ให้บริการสภาพคล่องเหล่านี้จะขาดทุน จากนั้น พวกเขาต้องเผชิญกับทางเลือก: พวกเขาสามารถเพิ่มต้นทุนการบริการของพวกเขา หรือ — ในกรณีที่ร้ายแรง — ถอนตัวออกจากตลาดโดยสิ้นเชิง ด้วยการวิเคราะห์ความไม่สมดุลของกระแสคำสั่งซื้อระหว่างปริมาณการซื้อและการขาย เราสามารถสร้างแบบจำลองปฏิสัมพันธ์ระหว่างเทรดเดอร์ที่มีข้อมูลและผู้ดูแลสภาพคล่องได้

ไม่เพียงแต่สามารถสั่งการไหลเป็นพิษได้ เป็นตัวทำนายความผันผวนในระยะสั้นได้ดี — ดูเหมือนว่าในบางกรณี (มาก) ที่เกิดขึ้นได้ยาก มันสามารถทำนายการเคลื่อนไหวของราคาที่มากขึ้นได้

ความสามารถในการคาดการณ์ของ VPIN เพิ่มขึ้นอย่างรวดเร็วเมื่อตลาดที่เป็นปัญหาค่อนข้างผันผวนอยู่แล้ว ฉันสามารถคาดเดาเหตุผลได้เท่านั้น แต่จริงๆ แล้วฉันเห็นสองประการ

ประการแรกคือผู้ดูแลสภาพคล่องดำเนินการโดยใช้อัตรากำไรขั้นต้นที่น้อยมาก ส่งผลให้มีแนวโน้มที่จะขาดทุนจำนวนมากเนื่องจากการเลือกที่ไม่พึงประสงค์ในตลาดที่มีความผันผวนมากขึ้น

นอกจากนี้ สเปรดในตลาดที่ผันผวนก็ค่อนข้างกว้างอยู่แล้ว ความเป็นพิษต่อการไหลของคำสั่งซื้อ นอกเหนือจากความผันผวนแล้ว ยังสามารถเพิ่มสเปรด (และต้นทุนการเลื่อนหลุดสำหรับเทรดเดอร์) ได้อย่างมาก การซื้อขายจะมีค่าใช้จ่ายสูงมากเมื่อสิ่งนี้เกิดขึ้น ฉันถือว่าเทรดเดอร์มีแนวโน้มที่จะซื้อน้อยลงเนื่องจากผลกระทบของราคาที่สูง แต่ก็ยังถูกบังคับให้ขายหากตลาดกำลังพังทลาย

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