본문으로 건너뛰기
라이브러리 문서 전체

주문 성과 진단을 위한 온라인 거래 비용 분석

기사 arXiv papers · 저자: Robert Azencott et al.
원문 읽기

요약

이 논문은 알고리즘 주문 성과를 모니터링하고 실행이 부진한 시장 상황을 식별하는 실시간 프레임워크를 제시한다. 확률 제어부터 통계적 학습 접근법까지 실행 알고리즘의 구축 방식과 무관하게 작동하도록 설계했다. 실무자는 시장 맥락의 특성을 선택한 다음 각 주문에 대해 이상 탐지기라고 부르는 추가 설명 변수를 도출한다.

온라인 분석은 확장된 요인 집합이 어떤 주문의 성과 부진을 얼마나 잘 예측하는지 추정하고, 요인들의 예측력도 측정한다. 저자들은 이 결과를 알고리즘 모수 변경, 주문 일시 중지, 더 직접적인 제어 등 개입을 결정하는 데 활용할 것을 제안한다. 향후 트레이딩 행동을 조정하기 위한 사후 거래 분석에 이 접근법을 적용하는 방법도 설명한다. 제공된 글은 방법론과 의도된 활용 사례를 제시하지만, 실증 결과, 구체적인 탐지기 정의, 개입이 실행 결과를 개선한다는 증거는 보고하지 않는다.

핵심 아이디어

  • 프레임워크는 실행 알고리즘 설계 방식과 관계없이 주문 성과를 실시간으로 분석한다.
  • 실무자는 시장 맥락의 특성을 선택하고 이를 바탕으로 주문별 이상 탐지기를 도출한다.
  • 온라인 영향 분석은 성과가 부진한 주문을 예측하는 요인과 그 예측력을 추정한다.
  • 분석 결과를 실행 모수 변경, 일시 중지, 직접 개입에 활용할 수 있다.
  • 제공된 설명에는 실증 결과나 구체적인 탐지기 명세가 없다.

태그

주문 집행시장 미시구조통계
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.