Яндекс.Метрика
ГлавнаяHigh Frequency › Алгоритмы маркетмейкера. Часть 2

Алгоритмы маркетмейкера. Часть 2

fields

В прошлой части мы рассмотрели оптимальное управление inventory risk в маркетмейкерском алгоритме. Напомню, что формулы для нейтральной цены и оптимального спреда между лимитными ордерами были получены при допущении, что цена следует геометрическому броуновскому движению. Управление inventory risk для моделей цены, более приближенными к реальности, рассматривается, например, в статье Pietro Fodra & Mauricio Labadie "High-frequency market-making with inventory constraints and directional bets" . Однако, применить напрямую на практике алгоритмы из этих статей вряд ли получится, так как в них  не учитывается действие adverse selection risk . Поэтому в данной части рассмотрим работу JIANGMIN XU "Optimal Strategies of High Frequency Traders", в которой автор делает попытку учесть этот вид риска.

 Для этого необходимо получить предсказание направления движения цены в коротком промежутке времени ( мы говорим о высокочастотных алгоритмах, поэтому такой промежуток будет измеряться в секундах, или даже долях секунды). JIANGMIN XU предлагает учитывать зависимость цены от дисбаланса объемов в стакане, который равен  разности между логарифмами объема лучшей покупки и объема лучшей продажи F=\log(Q_{\text{bestbid}})-\log(Q_{\text{bestask}}). Этот дисбаланс следует процессу Орнштейна-Уленбека с нулевым средним:

 dF_t=-\alpha_F F_t dt+\sigma_F dW_t, где

\alpha_F - константа, отражающая скорость колебаний вокруг среднего,

\sigma_F - постоянная, отражающая волатильность процесса,

dW_t - случайный броуновский процесс.

Далее нам понадобится модель спреда S_t - разницы цен между лучшим аском и лучшим бидом- которая представляет собой марковский процесс с тремя состояниями - \mathbb{S}=\{\delta,2\delta,3\delta\}, где \delta - шаг цены. Матрицу вероятностей переходов обозначим \rho=(\rho_{i,j})_{1\leq i,j\leq3},  \rho_{i,i}=0.

В качестве модели прироста цены актива возьмем один из видов марковского процесса - pure-jump process :

dP_t=dJ_{1t}+dJ_{2t}, где

dJ_{1t} - первая составляющая имеет интенсивность скачков цены \lambda^J_1, величину скачка \frac{\delta}{2}  с вероятностью \psi_1(F_t) и  величину скачка -\frac{\delta}{2}  с вероятностью 1-\psi_1(F_t) ,
dJ_{2t} - вторая составляющая имеет интенсивность скачков \lambda^J_2, величину скачка \delta  с вероятностью \psi_2(F_t) и  величину скачка -\delta  с вероятностью 1-\psi_2(F_t) ,

где функция \psi_i имеет форму  

\psi_i(u)=\frac{1}{1+\exp(-\beta_i u)}, для i =1,2.

Дисбаланс объемов F_t  в стакане влияет на скачок цены в следующий момент времени таким образом: если F_t>0  цена с большей вероятностью будет расти и наоборот. Этот сигнал конечно не идеален, но позволяет предсказывать цену на каком-то временном промежутке и будет полезен для формирования формулы оптимального управления рисками в рамках HFT стратегии.

Сформулируем основные стратегии для HFT алгоритма:

1. Котирование (make strategy). В рамках этой  стратегии алгоритм может располагать лимитные ордера на best bid или best ask, а если спред S_t>\delta, то ордера могут располагаться на ценовых уровнях P_t-S_t/2+\delta (P_t+S_t/2-\delta), для увеличения вероятности взятия ордера с меньшими затратами,чем затраты при гарантированном исполнении (если, конечно, не учитывать задержки выставления) маркет ордера. Эту модель представим в виде непрерывного процесса:

\theta^{mk}_t=\{\theta^{mk,b}_t,\theta^{mk,a}_t\}, t\geq0, где

\theta^{mk,b}_t\in\{0,1\} и  \theta^{mk,a}_t\in\{0,1\}. b и a означают bid и ask соответственно. Таким образом  0 означает постановку ордера на лучшую цену покупки или продажи, а 1 означает постановку ордера на лучшую цену плюс/минус \delta. Если спред минимальный - S_t=\delta то значение \theta^{mk}_t может быть равно только 0.

2. Использование маркет ордеров (take strategy). Для получения мгновенного исполнения алгоритм может использовать маркет ордера. Маркет ордер, в отличие от лимитного, забирает ликвидность из стакана и имеет  высокую стоимость, равную половине спреда (без учета комиссии). Смоделируем данную стратегию как импульсный процесс в непрерывном времени:

\theta^{tk}=\{\tau_n,\zeta_n\}, где

\tau_n - возрастающая последовательность моментов времени, когда используется маркет ордер,

\zeta_n\in\{-\zeta_{max},\zeta_{max}\} - случайная переменная, представляющая число контрактов, купленных или проданных в эти моменты времени.

Для чего нужны все вышеописанные модели? Наша цель - составить уравнение оптимального контроля, в котором будет учтен как inventory risk, так и adverse selection risk. А решением этого уравнения будет матрица состояний, которую можно представить в виде графика с двумя осями значений - первая ось inventory level, это текущая открытая позиция, вторая ось - depth imbalance, то есть дизбаланс объемов в стакане. Таким образом эти оси значений представляют собой аргументы по которым происходит управление - по первой оси - inventory risk, по второй оси - adverse selection risk. Матрица состояний представляет собой  множество значений \theta^{mk}_t и \theta^{tk}. Их можно представить на графике в виде области внутри квадрата, ограниченного рассмотренными осями значений. Такой график представлен в заглавии поста, для значения спреда S_t=\delta, на момент времени t=10 (за единицу времени может быть принят любой интервал, в зависимости от требуемой частоты сделок). На графике выделены следующие области:

1. Market making - в этой области выставляются ордера как на покупку так и на продажу по ценам best bid и best ask, то  есть \theta^{mk,b}_t=0 и \theta^{mk,a}_t=0;

2. Momentum (buy/sell). В этих областях необходимо срочное закрытие позиций, если они открыты в сторону, противоположную дизбалансу объемов и установление позиции согласно этому дизбалансу. Здесь используются маркет ордера, и \theta^{tk} равен какому-то количеству контрактов, больше открытой позиции по модулю, противоположному по знаку.Точная величина зависит от значений на осях аргументов.

3. Inventory control (buy/sell). Эти области означают ликвидацию открытых позиций в ноль, также с использованием маркет ордеров, \theta^{tk} равен открытой позиции с противоположным знаком.

4. Partial inventory control (buy/sell). Эти области аналогичны inventory control, но открытая позиция закрывается не полностью, \theta^{tk} меньше открытой позиции по модулю,противоположна по знаку. Точная величина зависит от значений на осях аргументов.

В следующих статьях мы составим уравнение оптимального контроля и найдем его решение численными методами.

10 Комментарии[ Ваш комментарий ]

  1. Вы проверяли достоверность гипотезы о влиянии дисбаланса объемов на направление движения цены на реальных данных?

    • Да, проверял. Зависимость имеет место быть, правда на очень коротких промежутках времени. Но вам ничто не мешает использовать и другие сигналы в этом алгоритме. Правда, должно соблюдаться условие о следованию процессу Орнштейна-Уленбека

      • Проверяю на данных российского рынка.
        Данные: ордерлог + лимитные заявки  (стакан) фьючерса Si 06.15. 
        Выборка содержит 220,736 наблюдений.
        Временной интервал с 10:05 до 16:00.

        1. Гипотеза о следовании дисбаланса объмов процессу Орнштейна-Уленбека с нулевым средним достоверна. Процесс стационарный dFt=-0.1608765*Ft*dt+1.0266176*dWt 

        2. В качестве интервала предсказаний я выбрал все-таки количество тиков, а не время. Временной интервал предсказаний можно оценить по интенсивности сделок в секунду:
          Min. 1st Qu.  Median    Mean 3rd Qu.    Max. 
           1.00    3.00    8.00   12.74   17.00  355.00
        3. Для повышений точности предсказаний и наглядности результатов установлены пороговые значения дисбаланса: абсолютное значение дисбаланса больше 100 контрактов.

        4. Результаты следующие: 

        Accuracy ~ Price Lag

        Видно, что на совсем коротких интервалах точность предсказания низкая. Потом происходит увеличени до некоторого максимального значения. Далее точность  уменьшается.

        Конечно данные необходимо перепроверять на разных выборках. 

        • Очень интересное исследование, спасибо. Я сам так не находил времени сделать. Только смутило значение порога в 100 контрактов: в моих статьях идет речь о разнице объемов на лучшем биде и аске - а на них разве часто будет превышен такой порог?

          • А, не заметил, что речь идет о Si. Я все расчеты производил на данных фьючерса RI

          • Выбрал для анализа Si как наиоболее ликвидный интрумент на нашей срочке. Конкретно на это выборке порог превышался около 5-6 тыс раз по каждой стороне. То есть вполне можно торговать. Еще на Si спреды бид/аск прыгают постоянно. Среднее значение 5 рублей по выборке. Что скорее является плюсом для Вашего алгоритма. Такое впечталение, что маркетмэйкер на Si не очень активен.

            Приложу еще картинку анимацию для разных значений порогов

            <a href="http://tinypic.com?ref=hvcqxt&quot; target="_blank"><img src="http://i57.tinypic.com/hvcqxt.gif&quot; border="0" alt=""></a>

        • Если возможно, подскажите, пожалуйста, как по имевшимся данным были оценены параметры приведенного уравнения для процесса Орнштейна-Уленбека.

          • В части пятой про алгоритм маркетмейкера указан метод оценки этих параметров, дана формула для их нахождения методом максимального правдоподобия

        • Большое спасибо, просто в статье-первоисточнике не смог найти.

        • r0man, как Вы оценивали параметры процесса Орнштейна-Уленбека ? Так же как uralpro в 5-ой части?

Ответ на r0man ¬
Отменить ответ

Обратите внимание: вы можете использоватьHTML tags and attributes:
<a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>