Онлайн-анализ транзакционных издержек для оценки исполнения заявок

Сводка

В статье представлена система мониторинга качества исполнения алгоритмических заявок в реальном времени и выявления рыночных условий, связанных с плохим исполнением. Она предназначена для работы независимо от того, как создан алгоритм исполнения: на основе стохастического управления или статистического обучения. Практики выбирают характеристики рыночного контекста, а затем для каждой заявки получают дополнительные объясняющие переменные, называемые детекторами аномалий.

Онлайн-анализ оценивает, насколько хорошо расширенный набор факторов предсказывает заявки с результатами хуже ожидаемых, и измеряет прогностическую силу факторов. Авторы предлагают использовать эти результаты для принятия мер, например изменения параметров алгоритма, приостановки заявки или перехода к более прямому управлению. Также описано применение подхода для посттрейдингового анализа с целью корректировки будущих торговых действий. В предоставленном тексте изложены методика и предполагаемые способы её применения, но нет эмпирических результатов, конкретных определений детекторов или доказательств того, что вмешательства улучшают исполнение.

Ключевые идеи

• Система анализирует исполнение заявок в реальном времени независимо от принципа работы алгоритма исполнения.
• Практики выбирают характеристики рыночного контекста, на основе которых формируются детекторы аномалий для отдельных заявок.
• Онлайн-анализ влияния факторов оценивает, какие из них предсказывают заявки с недостаточно хорошим исполнением, и измеряет их прогностическую силу.
• Результаты анализа могут помочь при изменении параметров, приостановке заявок или прямом вмешательстве в исполнение.
• В предоставленном описании нет эмпирических результатов или точных характеристик детекторов.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.