Cómo influye la información del mercado en la rentabilidad de los creadores de mercado

Resumen

Este artículo utiliza un mercado computacional basado en agentes para estudiar cómo influye la prevalencia de las operaciones informadas en las ganancias de los creadores de mercado. El modelo incluye creadores de mercado con distintos niveles de información y aversión al riesgo de inventario, valores fundamentales exógenos, precios endógenos y flujo de órdenes de los tomadores de mercado que sigue un proceso autoexcitador dependiente del estado. Los autores establecen propiedades de estabilidad en horizonte finito para ese proceso de flujo de órdenes y utilizan aprendizaje por refuerzo multiagente, con entrenamiento centralizado y ejecución descentralizada, para resolver el problema de creación de mercado.

Las simulaciones muestran que el flujo de órdenes informadas puede ser especialmente perjudicial cuando el nivel general de información del mercado es bajo, pues expone a los creadores a selección adversa. A medida que aumenta ese nivel, la rentabilidad tiende a subir en conjunto, aunque se producen variaciones locales no monótonas en medio de una dinámica compleja y un aprendizaje estocástico. La explicación propuesta es que una mejor formación de precios puede llegar a compensar los costes de selección adversa. Estos son resultados computacionales de un modelo estilizado; la descripción no ofrece validación con datos de mercado ni detalles sobre la robustez de los resultados ante otros supuestos del modelo.

Ideas clave

• El modelo combina creadores de mercado heterogéneos, precios endógenos y flujo de órdenes autoexcitador de los tomadores de mercado.
• El flujo de órdenes informadas puede imponer costes de selección adversa graves cuando el nivel general de información es bajo.
• Un mayor nivel de información del mercado se asocia con un aumento general de la rentabilidad simulada de los creadores de mercado.
• Una mejor formación de precios podría compensar los costes de selección adversa, aunque los resultados locales no son monótonos.
• Se utiliza aprendizaje por refuerzo multiagente para resolver el problema modelado de provisión de liquidez.

Etiquetas

# Market Informedness and Market-Maker Profitability: The Trade-Off Between Adverse Selection and Price Discovery


# Market Informedness and Market-Maker Profitability: The Trade-Off Between Adverse Selection and Price Discovery









This paper studies how market informedness affects market makers' profitability in a computational market environment with heterogeneous learning agents. We develop an agent-based market model in which market makers differ in their information sets and inventory-risk aversion, prices form endogenously, fundamental values evolve exogenously, and market-taker order flow follows a state-dependent self-exciting process. The model provides a controlled computational laboratory for analyzing the interaction between informed trading, adverse selection, price discovery, and liquidity provision. We establish finite-horizon stability properties of the market-taker order-flow process and solve the market-making problem using multi-agent reinforcement learning with centralized training and decentralized execution. The results show that informed market order flow is particularly harmful when aggregate market informedness is low, exposing market makers to severe adverse-selection risk. However, as market informedness increases, market-maker profitability displays an overall upward trend despite local non-monotonicities arising from complex market dynamics and stochastic learning. This suggests that the price-discovery benefits of informed trading can offset its adverse-selection costs. The findings contribute to computational economics by showing how agent heterogeneity, endogenous price formation, and learning-based liquidity provision jointly shape market outcomes.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.