Effet de l’information du marché sur la rentabilité des teneurs de marché

Résumé

Cet article utilise un marché computationnel à base d’agents pour étudier l’effet de la prévalence des transactions informées sur les profits des teneurs de marché. Son modèle comprend des teneurs de marché ayant différents niveaux d’information et différentes aversions au risque d’inventaire, des valeurs fondamentales exogènes, des prix endogènes et un flux d’ordres des preneurs de liquidité qui suit un processus auto-excitant dépendant de l’état. Les auteurs établissent des propriétés de stabilité à horizon fini pour ce processus de flux d’ordres, puis résolvent le problème de tenue de marché au moyen de l’apprentissage par renforcement multi-agents, avec entraînement centralisé et exécution décentralisée.

Les simulations montrent que les flux d’ordres informés peuvent être particulièrement préjudiciables lorsque le niveau général d’information du marché est faible, exposant les teneurs de marché à la sélection adverse. À mesure que le niveau d’information augmente, la rentabilité tend globalement à progresser, malgré des évolutions locales non monotones au milieu de dynamiques complexes et d’un apprentissage stochastique. L’explication proposée est qu’une meilleure découverte des prix peut finir par compenser les coûts de sélection adverse. Il s’agit de résultats computationnels issus d’un modèle stylisé ; la description ne fournit aucune validation sur des marchés empiriques ni de détails sur la robustesse des résultats face à d’autres hypothèses de modélisation.

Idées clés

• Le modèle combine des teneurs de marché hétérogènes, des prix endogènes et un flux de preneurs de liquidité auto-excitant.
• Les flux d’ordres informés peuvent entraîner de forts coûts de sélection adverse lorsque le niveau général d’information est faible.
• Un niveau d’information plus élevé sur le marché est associé à une hausse globale de la rentabilité simulée des teneurs de marché.
• Une meilleure découverte des prix pourrait compenser les coûts de sélection adverse, malgré des résultats locaux non monotones.
• L’apprentissage par renforcement multi-agents sert à résoudre le problème modélisé de fourniture de liquidité.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.