Liquidity-Based Audit of Algorithmic Trading Strategies

技術要約：アルゴリズム取引戦略の流動性に基づく監査

問題提起
市場マイクロストラクチャー理論では、伝統的に取引活動を情報の役割に基づいて分類している。すなわち、情報を持つトレーダーは私的なシグナルに基づき流動性を需要し（デマンド）、マーケットメイカーはオーダーフローを吸収することで流動性を供給する（サプライ）というものである（Kyle, 1985; Glosten and Milgrom, 1985）。しかし、クオンツ・ファンドの内部ロジック、シグナル、および最適化問題は観測不可能であるため、この分類をアルゴリズム取引戦略に適用することは困難である。規制当局や監査人は、通常、戦略の内部モデルではなく、実現された取引軌跡（価格とポジション）のみを観測する。本論文は、戦略の内部モデルにアクセスすることなく、観測可能な取引および価格の履歴のみを用いて、戦略の純流動性役割（消費者か提供者か）を特定し、そのパフォーマンスの後悔（regret）を測定するという問題に対処する。

手法
本論文は、多期間確率的動的計画法と厳密な後悔分解（exact regret decomposition）に基づくフレームワークを開発する。

1. 共分散分解： 中核となる理論的結果（定理 3.6）は、政策 $\hat{\pi}$ の完全予見ベンチマークに対する多期間の後悔が、実現されたコストベクトル $c_t$ と戦略の決定 $\hat{\pi}_t(c_t)$ の間の各期ごとの共分散の総和に正確に分解されることを確立している。政策が平均不偏（すなわち、その期待出力が条件付きコスト最小化配分と一致する）であるという仮定の下では、後悔は単に $\sum \text{Cov}(c_t, \hat{\pi}_t)$ となる。
2. 流動性の分類： この共分散統計量の符号は、モデルフリーの分類器として機能する。正の共分散は、戦略がコスト（価格）が上昇している時に買い、下落している時に売っていることを示し、それを**純流動性消費者（net liquidity consumer）**として特定する。負の共偏差は、その逆の挙動（押し目買い、高値売り）を示し、**純流動性提供者（net liquidity provider）**として特定する。
3. AR(1) コストプロセスとロール・スプレッド： コストが（短期間のリターン反転において標準的な）AR(1)プロセスに従うと仮定することで、本論文は後悔の総和に対する閉形式の補正を導出している。この補正は $\alpha s^2$ に等しいことが示されており、ここで $\alpha$ は戦略サイズ、$s$ はRoll (1984) が示唆するビッド・アスク・スプレッドである。これにより、パフォーマンス監査指標が市場マイクロストラクチャーの流動性に直接結び付けられる。
4. 内生的価格インパクト： 本フレームワークは、線形の一時的価格インパクト（Almgren and Chriss, 2001）を含むように拡張されている。総後悔は、「共分散による後悔（監査指標）」と「価格インパクトによる後悔」に加法的に分離可能であることが示されており、両方のチャネルを軌跡データから独立して推定することが可能である。
5. システム的拡張（Nエージェント）： 本論文は、共通因子コスト構造の下で $N$ 個の相関する戦略を集計する。共通の因子構造の下で、総後悔が戦略間の相関係数の平方（$N^2$）でスケールする集計流動性バランス条件を導出している。これは、相関したデレバレッジングが市場流動性を圧倒する「投げ売り（fire-sale）」の外部性を記述する閉形式の表現を提供する。

主要な結果

• 厳密な分類： $\text{Cov}(c_t, \hat{\pi}_t)$ の符号は、軌跡データのみからKyle (1985) のインフォームド・トレーダー／マーケットメイカーの二分法を正確に復元する。モメンタム戦略は流動性消費者であることが証明され、逆張り戦略は流動性提供者であることが証明される。
• スプレッド推定： AR(1) コストプロセスの下では、後悔の総和に対する自己共分散補正は正確に $\alpha s^2$ である。これにより、軌跡推定器に加えて追加のデータや計算コストを必要とせずに、Roll が示唆するスプレッドを、後悔監査の副産物として推定できる。
• 実証的キャリブレーション（2016–2025）： CRSP 株式データを用い、異なる市場レジームを通じた示唆スプレッドを追跡した：
  • 通常市場： AR(1) 補正は小さく（真の後悔の1〜5%）、逆張り戦略がモメンタム戦略を上回る。
  • COVID-19 クライシス（2020年第2四半期）： 示唆スプレッドは3倍（約0.90%から2.52%へ）になり、AR(1) 補正も大幅に増大し、マイクロストラクチャーの厚みの崩壊を反映した。100個の相関エージェントに対する脆弱性マルチプライヤー（システム的リスク）は60倍に達した。
  • 2022年 金利ショック： AR(1) 係数がゼロ近くまで崩壊し、示唆スプレッドはサンプル最小値に達した。このレジームではバイアス補正が消失し、すべての平均回帰戦略がアンダーパフォームした。これは、推定器の構造的レジームシフトに対する感度を裏付けている。
• システム的脆弱性： 本論文は、個々のエージェントが監査基準を満たしていても、戦略間の相関が高い場合、集計された後悔が $N^2$ でスケールすることを実証している。システム的脆弱性指数が提案されており、これは $O(T \cdot N^2 \cdot nd)$ の時間計算量で算出可能であり、流動性のスパイラルが完全に展開する前にその兆候を検知する。

意義と主張
本論文は、戦略のプロプライエタリなシグナル・データを得ることなく、観測可能な入力（価格とポジション）のみから、戦略の流動性役割と市場インパクトを復元する「ブラックボックス」型の監査ツールを提供すると主張している。

• モデルフリーの流動性役割： 実現された軌跡のみを用いて、基礎的なマイクロストラクチャーの二分法（流動性消費者 vs 提供者）を復元しており、これは不透明なアルゴリズム戦略にも適用可能である。
• 非流動性の直接的なプロキシ： 後悔の補正は単なる統計的な調整ではなく、Roll スプレッドの二乗の厳密なプロキシであり、流動性危機や構造的変化を追跡するリアルタイムの市場深度の尺度となる。
• システム的リスクの定量化： 相関するアルゴリズム戦略がいかにして $N^2$ でスケールする厚生損失を生じさせるかについての閉形式の記述を提供している。これは、単一企業への監査（SR 11-7）を補完する、戦略の多様性要件や集計ポジション制限などのシステム的規制に対する定量的な根拠を与える。
• 計算効率： 提案された推定器は計算効率が高く（単一エージェントで $O(T \cdot nd)$、システム全体で $O(T \cdot N^2 \cdot nd)$）、将来の状態をシミュレートしたり内部の最適化エンジンにアクセスしたりすることなく、リアルタイムの規制モニタリングを可能にする。

本論文は、この分類器はオーダーフローに基づく指標よりも粗い（イントラデイのダイナミクスを捉えるのではなく、時間を平均化するため）ものの、不透明なアルゴリズム戦略を監査する上で極めて適しており、パフォーマンス属性と市場マイクロストラクチャー理論との間の厳密かつ観測可能な架け橋を提供するものであると結論付けている。