Análise online de custos de transação para diagnosticar o desempenho das ordens

Resumo

Este artigo apresenta uma estrutura em tempo real para monitorar o desempenho de ordens algorítmicas e identificar condições de mercado associadas a uma execução insatisfatória. Ela foi projetada para funcionar independentemente de como o algoritmo de execução foi desenvolvido, seja por controle estocástico ou por abordagens de aprendizado estatístico. Os profissionais selecionam características do contexto de mercado e, em seguida, derivam variáveis explicativas adicionais, chamadas detectores de anomalias, para cada ordem.

Uma análise online estima o quanto o conjunto ampliado de fatores prevê quais ordens têm desempenho abaixo do esperado e mede o poder preditivo desses fatores. Os autores propõem usar essas conclusões para orientar intervenções, como alterar os parâmetros de um algoritmo, pausar uma ordem ou assumir um controle mais direto. Também descrevem a aplicação da abordagem à análise pós-negociação para ajustar ações futuras de trading. O texto fornecido apresenta uma metodologia e seus usos pretendidos, mas não relata resultados empíricos, definições específicas dos detectores nem evidências de que as intervenções melhorem os resultados de execução.

Ideias principais

• A estrutura analisa o desempenho das ordens em tempo real, independentemente de como o algoritmo de execução foi projetado.
• Os profissionais escolhem características do contexto de mercado, a partir das quais são derivados detectores de anomalias para cada ordem.
• A análise online de influência estima quais fatores preveem ordens com desempenho abaixo do esperado e mede seu poder preditivo.
• A análise pode orientar mudanças de parâmetros, pausas ou intervenções diretas na execução.
• A descrição fornecida não apresenta resultados empíricos nem especificações concretas dos detectores.

Tags

# 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.

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.