Laufende Transaktionskostenanalyse zur Bewertung der Orderausführung

Zusammenfassung

Diese Arbeit stellt einen Echtzeitansatz vor, um die Leistung algorithmischer Orders zu überwachen und Marktbedingungen zu erkennen, die mit einer schlechten Ausführung verbunden sind. Er funktioniert unabhängig davon, wie ein Ausführungsalgorithmus entwickelt wurde – von stochastischer Steuerung bis hin zu statistischem Lernen. Praktiker wählen Merkmale des Marktkontexts aus und leiten daraus für jede Order zusätzliche erklärende Variablen ab, die als Anomaliedetektoren bezeichnet werden.

Eine laufende Analyse schätzt, wie gut der erweiterte Faktorsatz Orders mit unterdurchschnittlicher Leistung prognostiziert, und misst die Vorhersagekraft der Faktoren. Die Autoren schlagen vor, diese Erkenntnisse für Eingriffe zu nutzen, etwa um Algorithmusparameter zu ändern, eine Order auszusetzen oder direkter einzugreifen. Sie beschreiben auch die Anwendung auf Analysen nach dem Handel, um künftige Handelsentscheidungen anzupassen. Der vorliegende Text skizziert eine Methode und mögliche Anwendungen, berichtet jedoch weder empirische Ergebnisse noch konkrete Definitionen der Detektoren oder Belege dafür, dass Eingriffe die Ausführung verbessern.

Kernaussagen

• Der Ansatz analysiert die Orderausführung in Echtzeit, unabhängig davon, wie der Ausführungsalgorithmus entwickelt wurde.
• Praktiker wählen Merkmale des Marktkontexts aus, aus denen Anomaliedetektoren auf Orderebene abgeleitet werden.
• Eine laufende Einflussanalyse schätzt, welche Faktoren Orders mit unterdurchschnittlicher Leistung vorhersagen und wie groß ihre Vorhersagekraft ist.
• Die Analyse kann Änderungen von Parametern, Pausen oder direkte Eingriffe in die Ausführung unterstützen.
• Die vorliegende Beschreibung enthält weder empirische Ergebnisse noch konkrete Spezifikationen der Detektoren.

Schlagwörter

# Realtime market microstructure analysis: online Transaction Cost Analysis


# Realtime market microstructure analysis: online Transaction Cost Analysis









Motivated by the practical challenge in monitoring the performance of a large number of algorithmic trading orders, this paper provides a methodology that leads to automatic discovery of the causes that lie behind a poor trading performance. It also gives theoretical foundations to a generic framework for real-time trading analysis. Academic literature provides different ways to formalize these algorithms and show how optimal they can be from a mean-variance, a stochastic control, an impulse control or a statistical learning viewpoint. This paper is agnostic about the way the algorithm has been built and provides a theoretical formalism to identify in real-time the market conditions that influenced its efficiency or inefficiency. For a given set of characteristics describing the market context, selected by a practitioner, we first show how a set of additional derived explanatory factors, called anomaly detectors, can be created for each market order. We then will present an online methodology to quantify how this extended set of factors, at any given time, predicts which of the orders are underperforming while calculating the predictive power of this explanatory factor set. Armed with this information, which we call influence analysis, we intend to empower the order monitoring user to take appropriate action on any affected orders by re-calibrating the trading algorithms working the order through new parameters, pausing their execution or taking over more direct trading control. Also we intend that use of this method in the post trade analysis of algorithms can be taken advantage of to automatically adjust their trading action.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.