Analyse des coûts de transaction en temps réel pour diagnostiquer la performance des ordres

Résumé

Cet article présente un cadre en temps réel pour suivre la performance des ordres algorithmiques et repérer les conditions de marché associées à une mauvaise exécution. Il est conçu pour fonctionner indépendamment de la méthode de conception de l’algorithme d’exécution, du contrôle stochastique aux approches d’apprentissage statistique. Les praticiens sélectionnent des caractéristiques du contexte de marché, puis en dérivent des variables explicatives supplémentaires, appelées détecteurs d’anomalies, pour chaque ordre.

Une analyse en ligne estime dans quelle mesure l’ensemble élargi de facteurs permet de prévoir quels ordres sont sous-performants, et mesure le pouvoir prédictif de ces facteurs. Les auteurs proposent d’utiliser ces résultats pour guider des interventions, par exemple modifier les paramètres d’un algorithme, suspendre un ordre ou reprendre plus directement le contrôle. Ils décrivent aussi l’application de cette approche à l’analyse après transaction afin d’ajuster les opérations de trading ultérieures. Le texte fourni expose une méthode et ses usages visés, mais ne rapporte aucun résultat empirique, aucune définition précise des détecteurs ni aucune preuve que les interventions améliorent les résultats d’exécution.

Idées clés

• Le cadre analyse la performance des ordres en temps réel, indépendamment de la conception de l’algorithme d’exécution.
• Les praticiens choisissent des caractéristiques du contexte de marché, à partir desquelles sont dérivés des détecteurs d’anomalies propres à chaque ordre.
• L’analyse en ligne de l’influence des facteurs estime lesquels prédisent les ordres sous-performants et mesure leur pouvoir prédictif.
• L’analyse peut guider des changements de paramètres, des suspensions ou une intervention directe dans l’exécution.
• La description fournie ne présente aucun résultat empirique ni aucune spécification concrète des détecteurs.

Étiquettes

# 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.

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.