Liquidity-Based Audit of Algorithmic Trading Strategies

Sintesi Tecnica: Audit della Liquidità basato sulla Liquidità delle Strategie di Trading Algoritmico

Definizione del Problema
La teoria della microstruttura del mercato classifica tradizionalmente l'attività di trading in base ai ruoli informativi: i trader informati richiedono liquidità scambiando con segnali privati, mentre i market maker forniscono liquidità assorbendo il flusso degli ordini (Kyle, 1985; Glosten e Milgrom, 1985). Tuttavia, applicare questa classificazione alle strategie di trading algoritmico è difficile perché la logica interna, i segnali e i problemi di ottimizzazione dei fondi quantitativi sono inosservabili. I regolatori e i revisori osservano tipicamente solo le traiettorie di trading realizzate (prezzi e posizioni) piuttosto che il sottostante flusso di ordini o i prezzi quotati. Questo documento affronta il problema di identificare il ruolo netto di liquidità di una strategia (consumatore vs. fornitore) e misurare il suo rimpianto di performance (performance regret) utilizzando solo la cronologia osservabile di scambi e prezzi, senza accesso al modello interno della strategia.

Metodologia
Il documento sviluppa un framework basato sulla programmazione dinamica stocastica multi-periodo e sulla decomposizione esatta del rimpianto (exact regret decomposition).

1. Decomposizione della Covarianza: Il risultato teorico centrale (Teorema 3.6) stabilisce che il rimpianto multi-periodo di una politica $\hat{\pi}$ rispetto a un benchmark con perfetta preveggenza si decompone esattamente nella somma delle covarianze per periodo tra il vettore dei costi realizzati $c_t$ e la decisione della strategia $\hat{\pi}_t(c_t)$. Sotto l'assunto che la politica sia priva di bias nella media (ovvero, il suo output atteso corrisponde all'allocazione che minimizza i costi condizionali), il rimpianto è semplicemente $\sum \text{Cov}(c_t, \hat{\pi}_t)$.
2. Classificazione della Liquidità: Il segno di questo statistico di covarianza funge da classificatore privo di modello (model-free). Una covarianza positiva indica che la strategia acquista sistematicamente quando i costi (prezzi) sono in aumento e vende quando sono in calo, identificandola come un netto consumatore di liquidità. Una covarianza negativa indica il comportamento opposto (comprare i ribassi, vendere i picchi), identificandola come un netto fornitore di liquidità.
3. Processo di Costo AR(1) e Spread di Roll: Assumendo che i costi seguano un processo AR(1) (standard per il reversal dei rendimenti a breve termine), il documento deriva una correzione in forma chiusa al riassunto del rimpianto. Si dimostra che questa correzione è uguale a $\alpha s^2$, dove $\alpha$ è la dimensione della strategia e $s$ è lo spread bid-ask implicito di Roll (1984). Ciò collega il metrica di audit della performance direttamente alla microstruttura della liquidità del mercato.
4. Impatto sul Prezzo Endogeno: Il framework viene esteso per includere l'impatto temporaneo lineare sul prezzo (Almgren e Chriss, 2001). Si dimostra che il rimpianto totale è additivamente separabile in un "rimpianto di covarianza" (la metrica di audit) e un "rimpianto da impatto sul prezzo", consentendo la stima indipendente di entrambi i canali dai dati di traiettoria.
5. Estensione Sistemica (N-Agent): Il documento aggrega $N$ strategie correlate sotto una struttura di costo a fattore comune. Deriva una condizione di bilancio della liquidità aggregata in cui la perdita di benessere scala come $N^2$ rispetto al coefficiente di correlazione delle strategie. Questo fornisce un'espressione in forma chiusa per l'esternalità della "vendita forzata" (fire-sale), dove il deleveraging correlato sovrasta la liquidità del mercato.

Risultati Chiave

• Classificazione Esatta: Il segno di $\text{Cov}(c_t, \hat{\pi}_t)$ recupera esattamente la dicotomia trader informato/market-maker di Kyle (1985) partendo solo dai dati di traiettoria. Si dimostra che le strategie di momentum sono consumatori di liquidità, mentre le strategie contrarian sono fornitori di liquidità.
• Stima dello Spread: Sotto un processo di costo AR(1), la correzione dell'auto-covarianza della somma del rimpianto è esattamente $\alpha s^2$. Ciò consente di stimare lo spread implicito di Roll come sottoprodotto dell'audit del rimpianto, senza richiedere dati aggiuntivi o costi computazionali oltre allo stimatore di traiettoria.
• Calibrazione Empirica (2016–2025): Utilizzando i dati azionari CRSP, il documento traccia gli spread impliciti attraverso distinti regimi di mercato:
  • Mercati Normali: La correzione AR(1) è piccola (1–5% del vero rimpianto) e le strategie contrarian superano quelle di momentum.
  • Crisi COVID-19 (Q2 2020): Lo spread implicito è triplicato (da ~0,90% a 2,52%) e la correzione AR(1) è cresciuta significativamente, riflettendo un breakdown della profondità microstrutturale. Il moltiplicatore di fragilità (rischio sistemico) è salito a 60x per 100 agenti correlati.
  • Shock dei Tassi del 2022: Il coefficiente AR(1) è crollato vicino allo zero, facendo sì che lo spread implicito raggiungesse i minimi del campione. In questo regime, la correzione del bias è svanita e tutte le strategie di mean-reversion sono state in perdita, confermando la sensibilità dello stimatore ai cambiamenti strutturali di regime.
• Fragilità Sistemica: Il documento dimostra che anche se i singoli agenti soddisfano i criteri di audit, il rimpianto aggregato può scalare quadraticamente ($N^2$) se le strategie sono altamente correlate. Viene proposto un indice di fragilità sistemica, calcolabile in tempo $O(T \cdot N^2 \cdot nd)$, che rileva l'insorgere di spirali di liquidità prima che si sviluppino pienamente.

Significato e Rivendicazioni
Il documento sostiene di fornire uno strumento di audit "black-box" che recupera il ruolo di liquidità di una strategia e il suo impatto sul mercato esclusivamente da input osservabili (prezzi e posizioni), bypassando la necessità di dati sui segnali proprietari.

• Ruolo di Liquidità Model-Free: Recupera la fondamentale dicotomia della microstruttura (consumatore di liquidità vs. fornitore) usando solo le traiettorie realizzate, rendendolo applicabile a strategie algoritmiche opache.
• Proxy Diretta per l'Illiquidità: La correzione del rimpianto non è una semplice aggiustamento statistico ma una proxy esatta dello spread di Roll al quadrato, offrendo una misura in tempo reale della profondità del mercato che segue le crisi di liquidità e i cambiamenti strutturali.
• Quantificazione del Rischio Sistemico: Fornisce una dichiarazione in forma chiusa del meccanismo di vendita forzata, mostrando come le strategie algoritmiche correlate possano generare perdite di benessere che scalano come $N^2$. Ciò offre una base quantitativa per la regolamentazione sistemica (ad esempio, requisiti di diversità delle strategie o limiti alle posizioni aggregate) che integra gli audit esistenti focalizzati sulla singola impresa (SR 11-7).
• Efficienza Computazionale: Gli stimatori proposti sono computazionalmente efficienti ($O(T \cdot nd)$ per singoli agenti, $O(T \cdot N^2 \cdot nd)$ per il sistema), consentendo il monitoraggio regolatorio in tempo reale senza simulare stati futuri o accedere ai motori di ottimizzazione interni.

Il documento conclude che, sebbene il classificatore sia più grossolano rispetto alle misure basate sul flusso di ordini (poiché media nel tempo anziché catturare la dinamica intraday), è unicamente adatto per l'audit di strategie algoritmiche opache e fornisce un ponte rigoroso e osservabile tra l'attribuzione delle performance e la teoria della microstruttura del mercato.