Liquidity-Based Audit of Algorithmic Trading Strategies

Résumé Technique : Audit de la Liquidité des Stratégies de Trading Algorithmique

Énoncé du Problème
La théorie de la microstructure de marché classifie traditionnellement l'activité de trading selon les rôles informationnels : les traders informés demandent de la liquidité en échange de signaux privés, tandis que les teneurs de marché fournissent de la liquidité en absorbant le flux d'ordres (Kyle, 1985 ; Glosten et Milgrom, 1985). Cependant, l'application de cette classification aux stratégies de trading algorithmique est difficile car la logique interne, les signaux et les problèmes d'optimisation des fonds quantitatifs sont inobservables. Les régulateurs et les auditeurs n'observent généralement que les trajectoires de transactions réalisées (prix et positions) plutôt que le flux d'ordres ou les cotations sous-jacentes. Cet article traite du problème de l'identification du rôle net de liquidité d'une stratégie (consommateur vs fournisseur) et de la mesure de son regret de performance en utilisant uniquement l'historique observable des transactions et des prix, sans accès au modèle interne de la stratégie.

Méthodologie
L'article développe un cadre basé sur la programmation dynamique stochastique multi-période et la décomposition exacte du regret.

1. Décomposition de la Covariance : Le résultat théorique central (Théorème 3.6) établit que le regret multi-période d'une politique $\hat{\pi}$ par rapport à une référence de connaissance parfaite se décompose exactement en la somme des covariances par période entre le vecteur de coût réalisé $c_t$ et la décision de la stratégie $\hat{\pi}_t(c_t)$. Sous l'hypothèse que la politique est sans biais en moyenne (c'est-à-dire que sa sortie attendue correspond à l'allocation minimisant le coût conditionnel), le regret est simplement $\sum \text{Cov}(c_t, \hat{\pi}_t)$.
2. Classification de la Liquidité : Le signe de cette statistique de covariance sert de classificateur sans modèle. Une covariance positive indique qu'une stratégie achète systématiquement lorsque les coûts (prix) augmentent et vend lorsque les prix chutent, l'identifiant comme un consommateur net de liquidité. Une covariance négative indique le comportement inverse (achat sur replis, vente sur sommets), l'identifiant comme un fournisseur net de liquidité.
3. Processus de Coût AR(1) et Spread de Roll : En supposant que les coûts suivent un processus AR(1) (standard pour le renversement des rendements à court horizon), l'article dérive une correction en forme close de la somme des regrets. Il est démontré que cette correction est égale à $\alpha s^2$, où $\alpha$ est la taille de la stratégie et $s$ est le spread bid-ask implicite de Roll (1984). Cela lie l'indicateur d'audit de performance directement à la microstructure de la liquidité.
4. Impact sur les Prix Endogène : Le cadre est étendu pour inclure un impact temporaire linéaire sur les prix (Almgren et Chriss, 2001). Le regret total est montré comme étant additivement séparable en un « regret de covariance » (l'indicateur d'audit) et un « regret d'impact sur les prix », permettant l'estimation indépendante de ces deux canaux à partir des données de trajectoire.
5. Extension Systémique (N-Agents) : L'article agrège $N$ stratégies corrélées sous une structure de coût à facteur commun. Il dérive une condition de l'équilibre de liquidité agrégée où la perte de bien-être passe à l'échelle $N^2$ par rapport au coefficient de corrélation des stratégies. Cela fournit une expression en forme close de l'externalité de « vente forcée » (fire-sale), où le désendettement corrélé submerge la liquidité du marché.

Résultats Clés

• Classification Exacte : Le signe de $\text{Cov}(c_t, \hat{\pi}_t)$ restitue exactement la dichotomie trader informé/teneur de marché de Kyle (1985) à partir des seules données de trajectoire. Les stratégies de momentum sont prouvées être des consommateurs de liquidité, tandis que les stratégies contrariennes sont des fournisseurs de liquidité.
• Estimation du Spread : Sous un processus de coût AR(1), la correction d'auto-covariance de la somme des regrets est exactement $\alpha s^2$. Cela permet d'estimer le spread implicite de Roll comme un sous-produit de l'audit du regret, ne nécessitant aucune donnée supplémentaire ou coût computationnel au-delà de l'estimateur de trajectoire.
• Calibration Empirique (2016–2025) : En utilisant les données boursières CRSP, l'article suit les spreads implicites à travers différents régimes de marché :
  • Marchés Normaux : La correction AR(1) est faible (1–5 % du regret réel), et les stratégies contrariennes surperforment le momentum.
  • Crise COVID-19 (T2 2020) : Le spread implicite a triplé (passant de ~0,90 % à 2,52 %), et la correction AR(1) a augmenté de manière significative, reflétant une rupture de la profondeur microstructurale. Le multiplicateur de fragilité (risque systémique) est monté à 60x pour 100 agents corrélés.
  • Choc de Taux de 2022 : Le coefficient AR(1) s'est effondré pour atteindre presque zéro, faisant atteindre au spread implicite ses minima de l'échantillon. Dans ce régime, la correction de biais a disparu, et toutes les stratégies de retour à la moyenne ont sous-performé, confirmant la sensibilité de l'estimateur aux changements de régime structurels.
• Fragilité Systémique : L'article démontre que même si les agents individuels satisfont aux critères d'audit, le regret agrégé peut croître de manière quadratique ($N^2$) si les stratégies sont fortement corrélées. Un indice de fragilité systémique est proposé, calculable en $O(T \cdot N^2 \cdot nd)$ temps, qui détecte l'apparition des spirales de liquidité avant qu'elles ne se développent pleinement.

Signification et Revendications
L'article affirme fournir un outil d'audit « boîte noire » qui restitue le rôle de liquidité d'une stratégie et son impact sur les prix uniquement à partir d'entrées observables (prix et positions), contournant ainsi le besoin de données de signaux propriétaires.

• Rôle de Liquidité Sans Modèle : Il restitue la dichotomie fondamentale de la microstructure (consommateur de liquidité vs fournisseur) en utilisant uniquement les trajectoires réalisées, ce qui le rend applicable aux stratégies algorithmiques opaques.
• Proxy Direct de l'Illiquidité : La correction du regret n'est pas un simple ajustement statistique mais un proxy exact du spread de Roll au carré, offrant une mesure en temps réel de la profondeur du marché qui suit les crises de liquidité et les ruptures structurelles.
• Quantification du Risque Systémique : Il fournit une énonciation en forme close du mécanisme de vente forcée, montrant comment les stratégies algorithmiques corrélées peuvent générer des pertes de bien-être proportionnelles à $N^2$. Cela offre une base quantitative pour la régulation systémique (par exemple, des exigences de diversité de stratégie ou des limites de position agrégées) qui complète les audits actuels par entité unique (SR 11-7).
• Efficacité Computationnelle : Les estimateurs proposés sont efficaces en termes de calcul ($O(T \cdot nd)$ pour un agent unique, $O(T \cdot N^2 \cdot nd)$ pour le système), permettant une surveillance réglementaire en temps réel sans simuler les états futurs ni accéder aux moteurs d'optimisation internes.

L'article conclut que bien que le classificateur soit plus grossier que les mesures basées sur le flux d'ordres (car il effectue une moyenne temporelle plutôt que de capturer la dynamique intraday), il est parfaitement adapté à l'audit des stratégies algorithmiques opaques et fournit un pont rigoureux et observable entre l'attribution de performance et la théorie de la microstructure de marché.