Liquidity-Based Audit of Algorithmic Trading Strategies

तकनीकी सारांश: एल्गोरिद्मिक ट्रेडिंग रणनीतियों का तरलता-आधारित ऑडिट (Liquidity-Based Audit)

समस्या विवरण
मार्केट माइक्रोस्ट्रक्चर थ्योरी पारंपरिक रूप से ट्रेडिंग गतिविधियों को सूचनात्मक भूमिकाओं के आधार पर वर्गीकृत करती है: सूचित ट्रेडर्स (informed traders) निजी संकेतों के साथ व्यापार करके तरलता (liquidity) की मांग करते हैं, जबकि मार्केट मेकर्स ऑर्डर फ्लो को अवशोषित करके तरलता की आपूर्ति करते हैं (काइल, 1985; ग्लोस्टन और मिल्ग्रोम, 1985)। हालांकि, एल्गोरिद्मिक ट्रेडिंग रणनीतियों पर इस वर्गीकरण को लागू करना कठिन है क्योंकि क्वांटिटेटिव फंड्स का आंतरिक तर्क, संकेत और अनुकूलन समस्याएँ (optimization problems) अवलोकनीय नहीं होती हैं। नियामक और ऑडिटर आमतौर पर केवल वास्तविक ट्रेड प्रक्षेपवक्र (कीमतें और पोजीशन) देखते हैं, न कि अंतर्निहित ऑर्डर फ्लो या कोट्स। यह शोध पत्र रणनीति की शुद्ध तरलता भूमिका (उपभोक्ता बनाम प्रदाता) को पहचानने और उसके प्रदर्शन पछतावे (performance regret) को मापने की समस्या को संबोधित करता है, और यह केवल अवलोकनीय ट्रेड और प्राइस हिस्ट्री का उपयोग करता है, बिना रणनीति के आंतरिक मॉडल तक पहुंच प्राप्त किए।

कार्यप्रणाली (Methodology)
यह शोध पत्र मल्टी-पीरियड स्टोकेस्टिक डायनेमिक प्रोग्रामिंग और सटीक पछतावा अपघटन (exact regret decomposition) पर आधारित एक ढांचा विकसित करता है।

1. सहप्रसरण अपघटन (Covariance Decomposition): मुख्य सैद्धांतिक परिणाम (थ्योरम 3.6) यह स्थापित करता है कि एक पूर्ण-पूर्वाभास बेंचमार्क (perfect-foresight benchmark) के सापेक्ष एक नीति $\hat{\pi}$ का मल्टी-पीरियड पछतावा, वास्तविक लागत वेक्टर $c_t$ और रणनीति के निर्णय $\hat{\pi}_t(c_t)$ के बीच प्रति-अवधि सहप्रसरण के योग के रूप में सटीक रूप से विभाजित होता है। इस धारणा के तहत कि नीति माध्य-पक्षपाती (mean-unbiased) है (अर्थात, इसका अपेक्षित आउटपुट सशर्त लागत-न्यूनतम आवंटन से मेल खाता है), पछतावा केवल $\sum \text{Cov}(c_t, \hat{\pi}_t)$ है।
2. तरलता वर्गीकरण (Liquidity Classification): इस सहप्रसरण सांख्यिकी का चिह्न एक मॉडल-मुक्त क्लासिफायर के रूप में कार्य करता है। एक सकारात्मक सहप्रसरण इंगित करता है कि रणनीति व्यवस्थित रूप से तब खरीदती है जब लागत (कीमतें) बढ़ रही होती हैं और तब बेचती है जब वे गिर रही होती हैं, जो इसे एक शुद्ध तरलता उपभोक्ता (net liquidity consumer) के रूप में पहचानता है। एक नकारात्मक सहप्रसरण इसके विपरीत व्यवहार (गिरावट पर खरीदना, शिखर पर बेचना) को दर्शाता है, जो इसे एक शुद्ध तरलता प्रदाता (net liquidity provider) के रूप में पहचानता है।
3. AR(1) कॉस्ट प्रोसेस और रोल स्प्रेड (Roll Spread): यह मानते हुए कि लागत एक AR(1) प्रक्रिया का पालन करती है (जो शॉर्ट-होरिजन रिटर्न रिवर्सल के लिए मानक है), यह शोध पत्र पछतावा योग के लिए एक क्लोज्ड-फॉर्म सुधार (correction) व्युत्पन्न करता है। यह दिखाया गया है कि यह सुधार $\alpha s^2$ के बराबर है, जहाँ $\alpha$ रणनीति का आकार है और $s$ रोल (1984) द्वारा निहित बिड-आस्क स्प्रेड है। यह ऑडिट मेट्रिक को सीधे मार्केट माइक्रोस्ट्रक्चर लिक्विडिटी से जोड़ता है।
4. अंतर्जात मूल्य प्रभाव (Endogenous Price Impact): इस ढांचे को लीनियर टेम्परेरी प्राइस इम्पैक्ट (अल्मग्रेन और क्रिस, 2001) को शामिल करने के लिए विस्तारित किया गया है। यह दिखाया गया है कि कुल पछतावा "कोवेरिएंस पछतावे" (ऑडिट मेट्रिक) और "प्राइस-इम्पैक्ट पछतावे" में योगात्मक रूप से विभाज्य है, जिससे प्रक्षेपवक्र डेटा (trajectory data) से दोनों चैनलों का स्वतंत्र रूप से अनुमान लगाया जा सकता है।
5. सिस्टमिक विस्तार (N-Agent): यह शोध पत्र एक सामान्य-कारक लागत संरचना के तहत $N$ सहसंबद्ध रणनीतियों को एकत्रित करता है। यह एक कुल तरलता-संतुलन स्थिति व्युत्पन्न करता है जहाँ कल्याण हानि (welfare loss) रणनीति-सहसंबंध गुणांक में $N^2$ के रूप में स्केल करती है। यह "फायर-सेल" बाह्यता (externality) का एक क्लोज्ड-फॉर्म अभिव्यक्ति प्रदान करता है, जहाँ सहसंबद्ध डी-लीवरेजिंग बाजार की तरलता को अभिभूत कर देती है।

मुख्य परिणाम

• सटीक वर्गीकरण: $\text{Cov}(c_t, \hat{\pi}_t)$ का चिह्न अकेले प्रक्षेपवक्र डेटा से काइल (1985) के इन्फॉर्म्ड-ट्रेडर/मार्केट-मेकर द्वैत को सटीक रूप से पुनः प्राप्त करता है। मोमेंटम रणनीतियों को सिद्ध रूप से तरलता उपभोक्ता के रूप में पहचाना गया है, जबकि कॉन्ट्रेरियन (contrarian) रणनीतियाँ तरलता प्रदाता हैं।
• स्प्रेड अनुमान: एक AR(1) कॉस्ट प्रोसेस के तहत, पछतावा योग का ऑटो-कोवेरिएंस सुधार ठीक $\alpha s^2$ है। यह रोल निहित स्प्रेड को पछतावा ऑडिट के उप-उत्पाद के रूप में अनुमानित करने की अनुमति देता है, जिसके लिए प्रक्षेपवक्र अनुमानक के अलावा किसी अतिरिक्त डेटा या गणनात्मक लागत की आवश्यकता नहीं होती है।
• अनुभवजन्य अंशांकन (2016–2025): CRSP इक्विटी डेटा का उपयोग करते हुए, यह शोध पत्र विभिन्न बाजार शासन (regimes) के माध्यम से निहित स्प्रेड को ट्रैक करता है:
  • सामान्य बाजार: AR(1) सुधार छोटा (वास्तविक पछतावे का 1–5%) है, और कॉन्ट्रेरियन रणनीतियाँ मोमेंटम से बेहतर प्रदर्शन करती हैं।
  • COVID-19 संकट (Q2 2020): निहित स्प्रेड तीन गुना बढ़ गया (लग' ~0.90% से 2.52%), और AR(1) सुधार महत्वपूर्ण रूप से बढ़ गया, जो माइक्रोस्ट्रक्चर गहराई में व्यवधान को दर्शाता है। 100 सहसंबद्ध एजेंटों के लिए फ्रैजिलिटी मल्टीप्लायर (सिस्टमिक रिस्क) 60 गुना बढ़ गया।
  • 2022 रेट शॉक: AR(1) गुणांक लगभग शून्य तक गिर गया, जिससे निहित स्प्रेड अपने सैंपल न्यूनतम स्तर पर पहुँच गया। इस शासन में, बायस सुधार लुप्त हो गया, और सभी मीन-रिवर्जन रणनीतियों ने खराब प्रदर्शन किया, जो संरचनात्मक शासन परिवर्तनों के प्रति अनुमानक की संवेदनशीलता की पुष्टि करता है।
• सिस्टमिक फ्रैजिलिटी: यह शोध पत्र प्रदर्शित करता है कि भले ही व्यक्तिगत एजेंट ऑडिट मानदंडों को पूरा करते हों, यदि रणनीतियाँ अत्यधिक सहसंबद्ध हैं तो कुल पछतावा $N^2$ के रूप में स्केल हो सकता है। एक सिस्टमिक फ्रैजिलिटी इंडेक्स प्रस्तावित किया गया है, जिसे $O(T \cdot N^2 \cdot nd)$ समय में कंप्यूट किया जा सकता है, जो तरलता चक्रवात (liquidity spirals) के पूरी तरह विकसित होने से पहले ही उनके आगमन का पता लगा लेता है।

महत्व और दावे
यह शोध पत्र एक "ब्लैक-बॉक्स" ऑडिट टूल प्रदान करने का दावा करता है जो रणनीति की भूमिका और बाजार प्रभाव को केवल अवलोकनीय इनपुट (कीमतें और पोजीशन) से पुनः प्राप्त करता है, जिससे प्रोप्राइटरी सिग्नल डेटा की आवश्यकता समाप्त हो जाती है।

• मॉडल-मुक्त तरलता भूमिका: यह केवल वास्तविक प्रक्षेपवक्रों का उपयोग करके मौलिक माइक्रोस्ट्रक्चर द्वैत (तरलता उपभोक्ता बनाम प्रदाता) को पुनः प्राप्त करता है, जिससे यह अपारदर्शी एल्गोरिद्मिक रणनीतियों के लिए लागू होता है।
• अतरलता (Illiquidity) के लिए प्रत्यक्ष प्रॉक्सी: पछतावा सुधार केवल एक सांख्यिकीय समायोजन नहीं है बल्कि स्क्वेर्ड रोल स्प्रेड का एक सटीक प्रॉक्सी है, जो बाजार की गहराई को मापने का एक वास्तविक समय का पैमाना प्रदान करता है जो तरलता संकट और संरचनात्मक परिवर्तनों को ट्रैक करता है।
• सिस्टमिक जोखिम का परिमाणीकरण: यह फायर-सेल तंत्र का एक क्लोज्ड-फॉर्म विवरण प्रदान करता है, जो दिखाता है कि कैसे सहसंबद्ध एल्गोरिद्मिक रणनीतियाँ $N^2$ के रूप में कल्याण हानि उत्पन्न कर सकती हैं। यह सिस्टमिक रेगुलेशन (जैसे रणनीति विविधता आवश्यकताएं या कुल पोजीशन सीमाएं) के लिए एक मात्रात्मक आधार प्रदान करता है जो मौजूदा सिंगल-फर्म ऑडिट (SR 11-7) का पूरक है।
• गणना दक्षता: प्रस्तावित अनुमानक कम्प्यूटेशनल रूप से कुशल ($O(T \cdot nd)$ एकल एजेंटों के लिए, और $O(T \cdot N^2 \cdot nd)$ सिस्टमिक के लिए) हैं, जो भविष्य की अवस्थाओं का अनुकरण किए बिना या आंतरिक अनुकूलन इंजन तक पहुंच प्राप्त किए बिना वास्तविक समय की नियामक निगरानी को सक्षम बनाता है।

शोध पत्र निष्कर्ष निकालता है कि हालांकि क्लासिफायर ऑर्डर-फ्लो आधारित उपायों की तुलना में अधिक सामान्य (coarser) है, क्योंकि यह इंट्राडे डायनेमिक्स को कैप्चर करने के बजाय समय के साथ औसत निकालता है, लेकिन यह अपारदर्शी एल्गोरिद्मिक रणनीतियों के ऑडिट के लिए विशेष रूप से उपयुक्त है और प्रदर्शन एट्रिब्यूशन और मार्केट माइक्रोस्ट्रक्चर थ्योरी के बीच एक कठोर, अवलोकनीय सेतु प्रदान करता है।