Liquidity-Based Audit of Algorithmic Trading Strategies

Resumen Técnico: Auditoría Basada en Liquidez de Estrategias de Negociación Algorítmica

Planteamiento del Problema
La teoría de la microestructura del mercado clasifica tradicionalmente la actividad de negociación basándose en roles informacionales: los negociadores informados demandan liquidez al operar con señales privadas, mientras que los creadores de mercado suministran liquidez al absorber el flujo de órdenes (Kyle, 1985; Glosten y Milgrom, 1985). Sin embargo, aplicar esta clasificación a las estrategias de negociación algorítmica es difícil porque la lógica interna, las señales y los problemas de optimización de los fondos cuantitativos son inobservables. Los reguladores y auditores típicamente solo observan trayectorias de negociación realizadas (precios y posiciones) en lugar del flujo de órdenes o cotizaciones subyacente. Este documento aborda el problema de identificar el rol neto de liquidez de una estrategia (consumidor vs. proveedor) y medir su arrepentimiento de desempeño (performance regret) utilizando únicamente el historial observable de operaciones y precios, sin acceso al modelo interno de la estrategia.

Metodología
El documento desarrolla un marco basado en la programación dinámica estocástica de periodos múltiples y la descomposición exacta del arrepentimiento (exact regret decomposition).

1. Descomposición de Covarianza: El resultado teórico central (Teorema 3.6) establece que el arrepentimiento de periodos múltiples de una política $\hat{\pi}$ respecto a un punto de referencia de conocimiento perfecto se descompone exactamente en la suma de las covarianzas por periodo entre el vector de costos realizados $c_t$ y la decisión de la estrategia $\hat{\pi}_t(c_t)$. Bajo el supuesto de que la política es libre de sesgo en la media (es decir, su salida esperada coincide con la asignación que minimiza el costo condicional), el arrepentimiento es simplemente $\sum \text{Cov}(c_t, \hat{\pi}_t)$.
2. Clasificación de Liquidez: El signo de este estadístico de covarianza sirve como un clasificador independiente del modelo (model-free). Una covarianza positiva indica que la estrategia compra sistemáticamente cuando los costos (precios) suben y vende cuando caen, identificándola como un consumidor neto de liquidez. Una covarianza negativa indica el comportamiento inverso (comprar en las caídas, vender en los picos), identificándola como un proveedor neto de liquidez.
3. Proceso de Costo AR(1) y Spread de Roll: Asumiendo que los costos siguen un proceso AR(1) (estándar para la reversión de retornos en horizontes cortos), el documento deriva una corrección de forma cerrada para la suma del arrepentimiento. Se demuestra que esta corrección es igual a $\alpha s^2$, donde $\alpha$ es el tamaño de la estrategia y $s$ es el diferencial (spread) implícito de Roll (1984). Esto vincula la métrica de auditoría de desempeño directamente con la microestructura de liquidez del mercado.
4. Impacto de Precio Endógeno: El marco se extiende para incluir el impacto de precio temporal lineal (Almgren y Chriss, 2001). Se demuestra que el arrepentimiento total es aditivamente separable en un "arrepentimiento de covarianza" (la métrica de auditoría) y un "arrepentimiento de impacto de precio", permitiendo la estimación independiente de ambos canales a partir de los datos de trayectoria.
5. Extensión Sistémica (N-Agente): El documento agrega $N$ estrategias correlacionadas bajo una estructura de costos de factor común. Deriva una condición de equilibrio de liquidez agregada donde la pérdida de bienestar escala como $N^2$ en el coeficiente de correlación de las estrategias. Esto proporciona una expresión de forma cerrada para la externalidad de "venta de liquidación" (fire-sale), donde la desapalancamiento correlacionado abruma la liquidez del mercado.

Resultados Clave

• Clasificación Exacta: El signo de $\text{Cov}(c_t, \hat{\pi}_t)$ recupera exactamente la dicotomía de negociador informado/creador de mercado de Kyle (1985) a partir únicamente de los datos de trayectoria. Se demuestra que las estrategias de momentum son consumidoras de liquidez, mientras que las estrategias contrarias son proveedoras de liquidez.
• Estimación del Spread: Bajo un proceso de costo AR(1), la corrección de autocovarianza para la suma del arrepentimiento es exactamente $\alpha s^2$. Esto permite estimar el diferencial implícito de Roll como un subproducto de la auditoría del arrepentimiento, sin requerir datos adicionales o costos computacionales más allá del estimador de trayectoria.
• Calibración Empírica (2016–2025): Utilizando datos de acciones de CRSP, el documento rastrea los diferenciales implícitos a través de distintos regímenes de mercado:
  • Mercados Normales: La corrección AR(1) es pequeña (1–5% del arrepentimiento real), y las estrategias contrarias superan a las de momentum.
  • Crisis COVID-19 (Q2 2020): El diferencial implícito se triplicó (del ~0.90% al 2.52%), y la corrección AR(1) creció significativamente, reflejando una ruptura en la profundidad de la microestructura. El multiplicador de fragilidad (riesgo sistémico) aumentó a 60x para 100 agentes correlacionados.
  • Choque de Tasas de 2022: El coeficiente AR(1) colapsó casi a cero, causando que el diferencial implícito alcanzara mínimos de la muestra. En este régimen, la corrección de sesgo desapareció y todas las estrategias de reversión a la media tuvieron un desempeño inferior, confirmando la sensibilidad del estimador a los cambios de régimen estructural.
• Fragilidad Sistémica: El documento demuestra que, incluso si los agentes individuales cumplen con los criterios de auditoría, el arrepentimiento agregado puede escalar cuadráticamente ($N^2$) si las estrategias están altamente correlacionadas. Se propone un índice de fragilidad sistémica, computable en tiempo $O(T \cdot N^2 \cdot nd)$, que detecta el inicio de espirales de liquidez antes de que se desarrollen plenamente.

Significancia y Reivindicaciones
El documento afirma proporcionar una herramienta de auditoría de "caja negra" que recupera el rol de liquidez y el impacto de mercado de una estrategia únicamente a partir de entradas observables (precios y posiciones), evitando la necesidad de datos de señales propietarias.

• Rol de Liquidez Independiente del Modelo: Recupera la dicotomía fundamental de la microestructura (consumidor de liquidez vs. proveedor) usando solo trayectorias realizadas, lo que lo hace aplicable a estrategias algorítmicas opacas.
• Proxy Directo de la Iliquidez: La corrección del arrepentimiento no es meramente un ajuste estadístico, sino un proxy exacto del diferencial cuadrado de Roll, ofreciendo una medida en tiempo real de la profundidad del mercado que rastrea crisis de liquidez y rupturas estructurales.
• Cuantificación del Riesgo Sistémico: Proporciona una declaración de forma cerrada del mecanismo de venta de liquidación, mostrando cómo las estrategias algorítmicas correlacionadas pueden generar pérdidas de bienestar que escalan como $N^2$. Esto ofrece una base cuantitativa para la regulación sistémica (por ejemplo, requisitos de diversidad de estrategias o límites de posición agregada) que complementa las auditorías de firma única existentes (SR 11-7).
• Eficiencia Computacional: Los estimadores propuestos son computacionalmente eficientes ($O(T \cdot nd)$ para agentes individuales, $O(T \cdot N^2 \cdot nd)$ para el sistema), lo que permite el monitoreo regulatorio en tiempo real sin necesidad de simular estados futuros o acceder a motores de optimización internos.

El documento concluye que, si bien el clasificador es más grueso que las medidas basadas en el flujo de órdenes (ya que promedia a través del tiempo en lugar de capturar la dinámica intradía), es único para auditar estrategias algorítmicas opacas y proporciona un puente riguro y observable entre la atribución de desempeño y la teoría de la microestructura del mercado.