Como o nível de informação do mercado afeta a lucratividade do formador de mercado

Resumo

Este artigo usa um mercado computacional baseado em agentes para estudar como a prevalência de operações informadas afeta os lucros dos formadores de mercado. O modelo inclui formadores com diferentes níveis de informação e aversão ao risco de estoque, valores fundamentais exógenos, preços endógenos e fluxo de ordens de tomadores de mercado que segue um processo autoexcitável dependente do estado. Os autores estabelecem propriedades de estabilidade em horizonte finito para esse processo de fluxo de ordens e usam aprendizado por reforço multiagente, com treinamento centralizado e execução descentralizada, para resolver o problema de formação de mercado.

As simulações mostram que o fluxo de ordens informadas pode ser especialmente prejudicial quando o nível geral de informação do mercado é baixo, expondo os formadores à seleção adversa. À medida que esse nível aumenta, a lucratividade apresenta uma tendência geral de alta, embora ocorram mudanças locais não monotônicas em meio a dinâmicas complexas e ao aprendizado estocástico. A explicação proposta é que uma descoberta de preços melhor pode, com o tempo, compensar os custos da seleção adversa. Essas são conclusões computacionais de um modelo estilizado; a descrição não apresenta validação em mercados empíricos nem detalhes sobre a robustez dos resultados diante de premissas alternativas do modelo.

Ideias principais

• O modelo combina formadores de mercado heterogêneos, preços endógenos e fluxo autoexcitável de tomadores de mercado.
• O fluxo de ordens informadas pode impor custos severos de seleção adversa quando o nível geral de informação é baixo.
• Um nível maior de informação no mercado está associado a um aumento geral da lucratividade simulada dos formadores de mercado.
• Uma descoberta de preços melhor pode compensar os custos da seleção adversa, embora os resultados locais não sejam monotônicos.
• O aprendizado por reforço multiagente é usado para resolver o problema modelado de provisão de liquidez.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.