Análisis online de costes de transacción para diagnosticar órdenes

Resumen

Este artículo presenta un marco en tiempo real para supervisar el rendimiento de órdenes algorítmicas e identificar condiciones de mercado asociadas a una ejecución deficiente. Está diseñado para funcionar con independencia de cómo se haya creado el algoritmo de ejecución, desde enfoques de control estocástico hasta aprendizaje estadístico. Los profesionales seleccionan características del contexto de mercado y luego derivan variables explicativas adicionales, llamadas detectores de anomalías, para cada orden.

Un análisis online estima cuánto predice el conjunto ampliado de factores qué órdenes tienen un rendimiento inferior y mide la capacidad predictiva de los factores. Los autores proponen utilizar estos resultados para orientar intervenciones, como cambiar los parámetros de un algoritmo, pausar una orden o tomar el control de forma más directa. También describen la aplicación del enfoque al análisis posterior a la operación para ajustar futuras decisiones de trading. El texto proporcionado expone una metodología y sus usos previstos, pero no comunica resultados empíricos, definiciones concretas de los detectores ni pruebas de que las intervenciones mejoren la ejecución.

Ideas clave

• El marco analiza el rendimiento de las órdenes en tiempo real sin depender del diseño del algoritmo de ejecución.
• Los profesionales eligen características del contexto de mercado a partir de las cuales se derivan detectores de anomalías por orden.
• El análisis de influencia online estima qué factores predicen órdenes con rendimiento inferior y mide su capacidad predictiva.
• El análisis puede orientar cambios de parámetros, pausas o intervenciones directas en la ejecución.
• La descripción proporcionada no presenta resultados empíricos ni especificaciones concretas de los detectores.

Etiquetas

# 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.

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.