چرا از یک الگوریتم معاملاتی نمونه کارها استفاده می کنیم؟(چرا که نه)

در پست های اخیر ، من روی ظرافت های الگوریتم متمرکز شده ام که می تواند اثرات نامتناسب بر عملکرد الگوریتم داشته باشد. در این پست ، من قصد دارم در جهت مخالف حرکت کنم و در مورد یک موضوع بسیار گسترده تر بحث کنم: الگوریتم های معاملاتی نمونه کارها. به طور خاص ، این پست تشریح می کند که چگونه الگوریتم های معاملاتی نمونه کارها می توانند ارزش را نسبت به الگوریتم VWAP/TWAP اضافه کنند ، که معمولاً برای اجرای معاملات نمونه کارها استفاده می شود. من این موضوع را در درجه اول انتخاب کردم زیرا اخیراً به طور مکرر با مشتری ها روبرو شده است. اما همچنین به این دلیل که ، صادقانه بگویم ، من فکر نمی کنم که بتوانم خواندن را معده کنم - چه رسد به نوشتن - مقاله دیگری در مورد پرداخت برای جریان سفارش.(اما اگر می توانید ، لطفاً به پست نسبتاً اخیر من ، "پرداخت برای جریان سفارش: دو سنت من (در هر صد)" نگاهی بیندازید).

الگوریتم های معاملاتی نمونه کارها

الگوریتم های معاملاتی نمونه کارها به طور همزمان چندین سفارش را مدیریت می کنند ، و آنها را به روشی هماهنگ به منظور بهینه سازی تجارت هزینه/ریسک اجرای کل ، معامله می کنند. با این گفته ، معامله گران نمونه کارها اغلب برای اجرای معاملات خود به الگوریتم های VWAP/TWAP اعتماد می کنند. در ابتدا سرخ شدن ، این ممکن است تا حدودی ضد انعطاف پذیر به نظر برسد-چرا کسی از یک الگوریتم تک مرتبه برای اجرای یک سبد استفاده می کند؟پاسخ در این واقعیت نهفته است که بیشتر معاملات نمونه کارها متعادل هستند. یک سبد تجاری که در ابتدای تجارت متعادل است ، به طور کلی در طول اجرا متعادل خواهد ماند زیرا الگوریتم فردی تقریباً همان برنامه را دنبال می کند. یک سبد نامتعادل می تواند ریسک خود را متناسب با برنامه مشترک (TWAP) یا تقریباً رایج (VWAP) کاهش دهد. چقدر سریع ریسک به صفر کاهش می یابد و صرفاً به انتخاب معامله گر در افق معاملاتی قابل قبول است - هرچه افق کوتاه تر باشد ، ریسک سریعتر کاهش می یابد.

برای افزودن ارزش نسبت به این الگوریتم های تک مرتبه مبتنی بر برنامه ، و از این طریق پیچیدگی آنها را توجیه می کند ، الگوریتم های نمونه کارها باید بیش از حفظ پروفایل های ریسک به مرور زمان انجام دهند یا افق معاملاتی خود را با تجارت پرخاشگرانه کوتاه کنند. بنابراین ، چگونه الگوریتم های نمونه کارها ارزش را اضافه می کنند؟

اول ، یک الگوریتم نمونه کارها می تواند برنامه های معاملاتی فردی را ایجاد کند که بهترین هزینه در برابر ریسک در سطح کل باشد. فقط در موارد نسبتاً نادر ، یک الگوریتم نمونه کارها قادر به ارزش قابل توجهی نیست. این امر به طور کلی فقط زمانی اتفاق می افتد که 1) سبد در ابتدا متعادل باشد ، و 2) سبد حاوی سفارشاتی است که دارای ویژگی های خطر و هزینه مشابه هستند. با توجه به (1) ، بسیاری از صندوق های مقدار ، به عنوان مثال ، معاملات نمونه کارها را ایجاد می کنند که متعادل هستند ، زیرا این صندوق احتمالاً از یک موقعیت متعادل با ریسک به سمت دیگر حرکت می کند. بنابراین ، برای این معاملات ، الگوریتم های نمونه کارها برای افزودن ارزش بیش از TWAP/VWAP چالش برانگیز است. اما هنگامی که سبد از منظر ریسک متعادل نباشد ، الگوریتم های نمونه کارها می توانند با تجارت سبد استراتژیک و تمرکز بر مدیریت هرگونه عدم تعادل ریسک به روشی حساس به هزینه ، ارزش قابل توجهی را اضافه کنند. با توجه به (2) ، سفارشات موجود در یک سبد اغلب ویژگی های ریسک و هزینه بسیار متفاوتی دارند. در حالت ایده آل ، آنها برای مدیریت کارآمد ریسک معامله می شوند ، چیزی که یک الگوریتم نمونه کارها می تواند در آن قرار بگیرد ، اما TWAP/VWAP نمی تواند.

دوم ، یک الگوریتم نمونه کارها می تواند با تجارت برخی از موقعیت ها به صورت فرصت طلبانه ارزش افزوده و سپس به صورت پویا تجارت آینده خود را برای تعادل در نمونه کارها تطبیق دهد. TWAP/VWAP نمی تواند تجارت فرصت طلبانه را به صورت بومی در خود جای دهد. هر "سوراخ" که از طریق اعدام فرصت طلبانه به تجارت نمونه کارها منفجر می شود ، فقط با نرخ متناسب با منحنی های TWAP/VWAP همانطور که قبلاً ذکر شد ، به آرامی وصل می شود.

سوم ، یک الگوریتم نمونه کارها می تواند با استفاده از محدودیت های حجم در سطح سفارش ، از دیدگاه خطر نسبت به الگوریتم های تک مرتبه ، ارزش افزوده تر اضافه کند. به عنوان مثال ، فرض کنید الگوریتم نمونه کارها با یک سبد متعادل با ریسک شروع می شود ، اما معامله گر محدودیت های حجم را برای سفارشات اعمال می کند. بسته به حجم تحقق یافته و سخت گیری محدودیت ها ، اگر سفارشات به الگوریتم های تک مرتبه هدایت شوند ، سبد می تواند به طور قابل توجهی عدم تعادل باشد. اما الگوریتم های نمونه کارها می توانند محدودیت های حجم را از دو طریق درج کنند. اول ، هنگام تعیین استراتژی معاملاتی اولیه برای هر سفارش ، آنها می توانند احتمال اینکه سفارشات در حین اجرا به محدودیت حجم برسد ، ارزیابی کنند و برنامه اولیه را بر این اساس تطبیق دهند. دوم ، همانطور که الگوریتم و برخی از سفارشات به طور غیر منتظره ای به محدودیت های خود رسیده است ، الگوریتم می تواند برنامه های خود را با مجدداً با در نظر گرفتن چنین عوارضی به روز کند. از طرف دیگر ، الگوریتم های تک مرتبه ای هیچ مکانیسمی برای از بین بردن عدم تعادل خطر نمونه کارها ناشی از محدودیت ندارند.

چهارم ، یک الگوریتم نمونه کارها می تواند محدودیت های سطح نمونه کارها را فراهم کند که الگوریتم های تک مرتبه ای نمی توانند در آن قرار بگیرند. به عنوان مثال ، فرض کنید یک مدیر نمونه کارها قصد دارد از درآمد حاصل از سفارشات فروش برای تأمین اعتبار سفارشات خرید استفاده کند ، که این یک نیاز بودجه برون زا است. اگر طرف فروش سبد به طور قابل توجهی محدودتر از طرف خرید باشد (از طریق قیمت و/یا محدودیت های حجم) ، الگوریتم های تک مرتبه ممکن است روز را با پول نقد کمتری نسبت به آنچه برای تأمین بودجه خریداری می کنند به پایان برسانند. این می تواند پر هزینه و عملیاتی سنگین باشد. در عوض ، یک الگوریتم نمونه کارها می تواند خریدها را کند کند تا اطمینان حاصل شود که دلار خریداری شده تقریباً مطابق با کالاهای فروخته شده است.

پنجم ، یک الگوریتم نمونه کارها می تواند در مورد هزینه های داخل و الگوهای ریسک پیچیده تر باشد. به عنوان مثال ، الگوریتم های VWAP تمایل دارند با وجود شواهدی مبنی بر اینکه هزینه های تجارت اغلب در آن زمان بالاترین است ، تجارت بیشتری در اطراف سهام ایالات متحده داشته باشند. الگوریتم های معاملاتی نمونه کارها موظف نیستند از یک برنامه ثابت دلخواه پیروی کنند ، بنابراین می توانند تغییرات داخل را در هزینه و ریسک در بهینه سازی خود بگنجانند.[1]

سرانجام ، یک الگوریتم نمونه کارها می تواند با خرید و فروش سایر دارایی ها برای مدیریت ریسک با روشی خودکار تر ، ارزش افزوده کند. به عنوان مثال ، فرض کنید یک معامله گر در حال اجرای یک سبد فروش بزرگ است که در معرض رکود بازار قرار دارد. یک الگوریتم نمونه کارها می تواند با فروش مبلغ مناسب یک قرارداد آتی همبسته بلافاصله (به عنوان مثال ، راسل E-Minis برای محافظت از یک سبد فروش کلاه کوچک) ، یک پرچین را آغاز کند ، و سپس با استفاده از الگوریتم سبد اصلی ، موقعیت آتی را در پشت سر هم قرار دهد. بشردر این سناریو ، الگوریتم به طور موثری بخش "بتا" تجارت فروش را بلافاصله با استفاده از آینده مایع اجرا می کند ، بنابراین هرگونه ضرر مرتبط با بازار ناشی از سود به موقعیت آینده آینده جبران می شود.

با توجه به این نکته ، چرا کسی از الگوریتم تجارت نمونه کارها استفاده نمی کند؟شاید بزرگترین اشکال این باشد که الگوریتم های کمبود به طور کلی تمایل به اعدام های جلوی جلوی دارند ، به عنوان ابزاری برای کاهش خطر اجرای کل. سبدهای بزرگتر و سبد های خطرناک بیشتر از جلو می روند ، همه چیز دیگر برابر است. بنابراین ، در حالی که داشتن الگوریتم سفارشات فردی متفاوت از مزایای اصلی است ، این واقعیت که الگوریتم همچنین دوست دارد همه چیز را سریعتر تجارت کند ، باعث جذابیت آنها می شود. مسئله دیگر این است که برخی از معاملات ممکن است از چندین لیست تجارت غیر یکسان تشکیل شود که به دلایل گردش کار جمع شده است. بهینه سازی تجارت کل ممکن است برای برخی از حسابها ، اگر نه همه ، زیر حد باشد. این به تنهایی معمولاً معامله گر است. سایر شکایات متداول ، مکرر بودن الگوریتم و سایر مسائل مربوط به گردش کار (به عنوان مثال ، لیست های برقراری ارتباط) است. در این جمع ، بارگیری جلوی مشترک همراه با این واقعیت است که تجارت ریسک/هزینه ارائه شده توسط VWAP/TWAP اغلب نزدیک به "بهینه" است ، استفاده گسترده تر از این جلبک های لبه برش را محکم کرده است. و ، به عنوان طراح برخی از این الگوریتم ها ، این واقعیت که من در حال نوشتن وبلاگ از یک دفتر NYC مانده ام و نوشیدن مای تایس در مکانی با نامی که با "کابو" شروع می شود ، گواهی بر این واقعیت است که این چیزها فقط استبه قول آنها زندگی نکرده اید. حداقل الان نه.

منابع

Bacidore ، J. ، D. Wu ، and W. Xu (2013)."متعادل کردن ریسک اجرای و هزینه معاملات در الگوریتم های معاملاتی نمونه کارها."مجله تجارت ، 8 (4) ، 37-43.

[1] به عنوان مثال ، باسیدور ، وو و Xu (2013) را ببینید.