Dynamic slippage control and rejection feedback in spot FX market making

Each language version is independently generated for its own context, not a direct translation.

Imaginez que vous êtes un marchand de fruits sur un marché très animé (le marché des changes ou "FX"). Votre travail consiste à afficher des prix pour vendre et acheter des paniers de fruits (les devises) à des clients qui arrivent en courant.

Ce papier d'Alexander Barzykin (de la banque HSBC) explique comment ce marchand peut optimiser sa stratégie pour ne pas se faire avoir, tout en restant juste avec ses clients. Voici l'histoire simplifiée :

1. Le Problème : La Course contre la Montre (Le Risque de Latence)

Imaginez que vous affichez le prix d'une pomme à 1,00 €. Mais le marché est si rapide que le prix réel change avant même que le client ne puisse vous dire "Je veux acheter".

Le scénario : Le client voit 1,00 €, il court vers votre comptoir, mais pendant qu'il court, le prix réel de la pomme est monté à 1,05 €. Si vous lui vendez à 1,00 €, vous perdez de l'argent. C'est ce qu'on appelle le risque de latence (le temps de transmission).

2. La Solution Classique : Le "Dernier Regard" (Last Look)

Pour se protéger, le marchand a une petite fenêtre de temps (quelques millisecondes) pour vérifier le prix réel avant de confirmer la vente.

L'ancienne façon de faire : Si le prix a trop bougé, le marchand dit "Non, c'est trop tard" et rejette la vente.
Le problème : Si le marchand rejette trop souvent les clients qui ont "malchance" (ou qui sont trop rapides), les clients se fâchent. Ils arrêtent de venir, ou ils envoient moins de commandes. C'est comme si le marchand devenait un vendeur méchant qui refuse de vendre à tout le monde.

3. L'Innovation du Papier : Un Système de "Réputation"

L'auteur propose une idée brillante : le marchand doit apprendre à gérer sa réputation.

Imaginez que chaque client a un petit score de confiance pour le marchand.

Si le marchand rejette une vente injustement, le score du client (et la réputation globale du marchand) baisse.
Si le score est bas, les clients envoient moins de commandes (ils vont voir un autre marchand plus gentil).
La stratégie intelligente : Le marchand ne doit pas rejeter n'importe quand. Il doit accepter de perdre un peu d'argent sur une mauvaise vente pour garder sa réputation haute et continuer à recevoir des commandes à l'avenir. C'est un équilibre entre "protéger son portefeuille" et "garder ses clients heureux".

4. La Mécanique : L'Option "Rejet"

Le papier traite le droit de rejeter une vente comme un outil mathématique précis.

Le marchand calcule : "Est-ce que je rejette cette vente pour éviter une perte de 10 €, ou est-ce que je l'accepte pour ne pas perdre un client qui m'apportera 100 € demain ?"
C'est comme un parapluie. Si la pluie (le risque) est légère, on garde le parapluie fermé pour ne pas gêner les passants. Si la pluie est torrentielle, on l'ouvre, même si ça dérange un peu les gens.

5. La "Recette" Mathématique (L'Approximation)

Calculer tout cela en temps réel est un cauchemar mathématique. L'auteur propose une "recette de cuisine" simplifiée (une approximation quadratique) :

Au lieu de résoudre une équation complexe à chaque seconde, le marchand utilise une formule simple qui lui dit : "Si mon stock de fruits est plein, je serai plus sélectif. Si ma réputation est bonne, je peux être plus gentil."
Cela permet de trouver le juste milieu : un prix assez large pour couvrir les risques, mais pas trop large pour ne pas effrayer les clients, et un seuil de rejet qui ne soit pas trop dur.

En Résumé : La Leçon du Marchand

Ce papier nous dit que dans le monde ultra-rapide de la finance :

Être trop dur (rejeter trop de clients) tue le business à long terme parce que les clients partent.
Être trop gentil (accepter toutes les pertes) fait couler le business à court terme.
La solution est un système dynamique où le marchand ajuste son "seuil de tolérance" en fonction de sa réputation et de son stock actuel.

C'est un guide pour devenir un marchand de fruits intelligent : celui qui sait quand dire "Non" pour se protéger, mais qui sait aussi quand dire "Oui" pour ne pas perdre son meilleur client, le tout calculé par un ordinateur ultra-rapide.

Each language version is independently generated for its own context, not a direct translation.

Voici un résumé technique détaillé de l'article « Dynamic slippage control and rejection feedback in spot FX market making » d'Alexander Barzykin, rédigé en français.

1. Problématique et Contexte

L'article aborde le problème de la prise de décision en temps réel pour un teneur de marché (Market Maker - MM) sur le marché des changes (FX) de gré à gré (OTC). Le défi central réside dans la gestion du risque de latence : lorsqu'un client envoie une demande d'exécution (RFQ) à un prix affiché, le marché peut avoir bougé pendant le temps de traitement, rendant la cote obsolète (« stale »).

Traditionnellement, les teneurs de marché utilisent le mécanisme du « Last Look » (ou validation de prix) pour accepter ou rejeter la transaction après la réception de la demande. Cependant, la littérature académique et les pratiques actuelles présentent deux lacunes majeures que cet article cherche à combler :

Politique de rejet statique : La plupart des modèles traitent les paramètres de rejet (comme une bande de tolérance fixe) comme des contraintes exogènes, alors que les traders les ajustent dynamiquement en fonction des conditions de marché et de l'inventaire.
Absence de rétroaction réputationnelle : Les modèles ne prennent généralement pas en compte le fait que les rejets fréquents dégradent la relation client, réduisant ainsi le flux de commandes futur (intensité de l'arrivée des ordres).

L'objectif est de modéliser le rejet non plus comme une simple règle de protocole, mais comme une variable de contrôle optimisable, couplée à un mécanisme de réputation qui influence le comportement futur des clients.

2. Méthodologie

L'auteur propose un cadre de contrôle stochastique optimal basé sur la tradition Avellaneda-Stoikov, enrichi par des décisions de rejet et une dynamique de réputation.

A. Modélisation de l'Environnement

Dynamique des prix : Le prix de référence $S_t$ suit un mouvement brownien avec une volatilité $\sigma$ .
Arrivée des ordres : Les demandes de clients arrivent selon un processus de Poisson avec une intensité $\lambda$ $λ$ qui dépend :
- De l'écart (spread) proposé par le MM.
- D'une variable d'état $R_t$ (score de rejet/réputation), modélisée comme une Moyenne Mobile Exponentielle (EMA) des rejets passés. Une réputation dégradée ( $R$ élevé) réduit l'intensité des futurs flux de commandes via une fonction décroissante $g(R)$ .
Risque de latence et Adverse Selection : Le mouvement du prix pendant la fenêtre de latence $\tau$ est modélisé par une variable aléatoire gaussienne $Y$ . La moyenne de cette distribution dépend de l'écart proposé, capturant ainsi l'adverse selection sélective (les clients réagissent aux cotes obsolètes).
Décision de rejet : À la réception d'une demande, le MM choisit instantanément d'accepter ( $\ell=1$ ) ou de rejeter ( $\ell=0$ ). Le rejet met à jour le score de réputation $R$ .

B. Formulation du Contrôle Optimal

Le problème vise à maximiser l'espérance de la richesse finale (marque-à-marché) pénalisée par le risque d'inventaire.

Équation HJB (Hamilton-Jacobi-Bellman) : L'auteur dérive une équation HJB où l'état du système est défini par l'inventaire $q$ , la réputation $R$ , et le prix $S$ .
Structure de la décision : La décision de rejet est comparée à une option imbriquée. Le MM accepte si le gain potentiel (ajusté du mouvement de prix latent) dépasse le coût de la dégradation de la réputation (perte de continuation $J$ ).
Approximation Adiabatique-Quadratique : Pour rendre le problème traitable numériquement, l'auteur propose une approximation où le score de réputation $R$ $R$ est considéré comme quasi-statique à l'échelle de temps du contrôle d'inventaire.
- L'ansatz quadratique est appliqué à la fonction de valeur par rapport à l'inventaire.
- Cela conduit à des équations différentielles de Riccati pour les coefficients de risque.
- Une fermeture auto-cohérente est utilisée pour calibrer le paramètre de coût de rejet $J$ en fonction du taux de rejet observé.

C. Protocoles de Rejet

L'étude compare deux régimes :

Rejet non contraint (Unconstrained) : Le MM rejette toute demande si le glissement (slippage) dépasse un seuil asymétrique ou si le mouvement de prix est défavorable.
Protocole équitable (Symmetric tolerance) : Inspiré des travaux d'Oomen (2017b), ce protocole impose une symétrie :
- Rejet si le glissement est trop défavorable ( $Y < -\epsilon$ ).
- Acceptation avec prix inchangé si le glissement est modéré.
- Acceptation avec remise (rebate) si le glissement est très favorable ( $Y > \epsilon$ ), limitant ainsi le profit excessif du MM sur les clients.

3. Résultats Clés

Les simulations numériques et les solutions analytiques approchées révèlent plusieurs insights importants :

Optimalité des seuils de rejet : Même en présence de flux toxiques, les seuils de rejet optimaux sont conservateurs. Le MM ne rejette pas immédiatement dès qu'une adverse selection est détectée, car le coût de la perte de réputation (et donc du flux futur) est élevé.
Effet de la réputation (Feedback) :
- Lorsque le score de réputation $R$ est élevé (mauvaise réputation), le MM a tendance à resserrer ses spreads pour augmenter le volume de commandes et diluer rapidement les rejets passés, tout en devenant plus sélectif ex-post pour filtrer les pertes.
- La présence d'un mécanisme de réputation incite le MM à rejeter moins souvent pour protéger le flux de commandes à long terme.
Impact des protocoles équitables :
- Les protocoles symétriques (avec rebates) réduisent significativement le taux de rejet par rapport aux protocoles non contraints.
- Bien que le profit immédiat puisse être légèrement inférieur en raison des remises accordées aux clients, le gain en utilité globale (incluant la préservation du flux) est robuste.
- Le niveau de tolérance optimal ( $\epsilon$ ) se situe souvent autour de la moitié du spread affiché, ce qui est un niveau raisonnable pour l'industrie.
Validation de l'approximation : L'approximation adiabatique-quadratique fournit des solutions quasi-fermées très rapides qui correspondent bien aux solutions numériques exactes de l'HJB, validant son utilisation pour le calibrage en temps réel.

4. Contributions et Signification

Contributions Académiques et Techniques :

Intégration du rejet comme contrôle : C'est l'un des premiers modèles à traiter la décision de rejet non pas comme une contrainte exogène, mais comme une variable de contrôle endogène optimisée conjointement avec les prix.
Modélisation de la réputation dynamique : Introduction d'un état de réputation (score de rejet) qui couple les décisions présentes aux flux futurs, créant un mécanisme d'auto-corrélation dans le comportement du teneur de marché.
Approximation tractable : Développement d'une méthode d'approximation adiabatique permettant de résoudre des problèmes de contrôle stochastique complexes avec des variables d'état multiples (inventaire + réputation) via des équations de Riccati.

Signification pour l'Industrie :

Conception de protocoles Last Look : L'article fournit un cadre quantitatif pour évaluer la « justesse » (fairness) des protocoles de Last Look. Il démontre que les protocoles asymétriques (où le MM rejette les pertes mais garde les gains) sont sous-optimaux à long terme car ils dégradent la réputation et réduisent le volume.
Gestion des risques : Il offre aux teneurs de marché une méthode pour calibrer dynamiquement leurs seuils de tolérance au glissement en fonction de leur inventaire et de leur historique de réputation, plutôt que d'utiliser des règles statiques.
Conformité et Transparence : En montrant que les protocoles équitables (symétriques) peuvent être optimisés pour maximiser la valeur du teneur de marché tout en réduisant les rejets, l'article soutient les initiatives de l'industrie (comme le code GFXC) visant à rendre le Last Look plus transparent et moins abusif.

En conclusion, cet article démontre que l'optimisation conjointe des prix, des seuils de rejet et de la gestion de la réputation permet aux teneurs de marché de mieux naviguer dans l'environnement à haute fréquence et à latence du FX, en équilibrant la protection contre l'adverse selection et la nécessité de maintenir un flux de commandes sain.