Liquidity-Based Audit of Algorithmic Trading Strategies

기술 요약: 알고리즘 트레이딩 전략의 유동성 기반 감사

문제 제기
시장 미세구조 이론은 전통적으로 정보적 역할에 따라 거래 활동을 분류한다. 즉, 정보 보유 거래자는 사적 신호를 바탕으로 유동성을 수요하고, 마켓 메이커는 주문 흐름을 흡수함으로써 유동성을 공급한다 (Kyle, 1985; Glosten and Milgrom, 1985). 그러나 퀀트 펀드의 내부 로직, 신호, 최적화 문제는 관찰 불가능하기 때문에, 이러한 분류를 알고리즘 트레이딩 전략에 적용하는 것은 어렵다. 규제 기관과 감사인은 전략의 내부 모델에 접근하는 대신, 실현된 거래 궤적(가격 및 포지션)만을 관찰할 수 있을 뿐이다. 본 논문은 전략의 순유동성 역할(소비자 vs 공급자)을 식별하고, 전략의 내부 모델에 대한 접근 없이 오직 관찰 가능한 거래 및 가격 이력만을 사용하여 성능 후회(performance regret)를 측정하는 문제를 다룬다.

방법론
본 논문은 다기간 확률적 동적 계획법(multi-period stochastic dynamic programming)과 정밀한 후회 분해(exact regret decomposition)에 기반한 프레임워크를 개발한다.

1. 공분산 분해: 핵심 이론적 결과(정리 3.6)는 완벽한 예견 벤치마크($\text{perfect-foresight benchmark}$)에 대한 정책 $\hat{\pi}$의 다기간 후회가 실현된 비용 벡터 $c_t$와 전략의 결정 $\hat{\pi}_t(c_t)$ 사이의 기간별 공분산의 합으로 정확히 분해됨을 입증한다. 정책이 평균적으로 불편하지 않다(즉, 기대 출력이 조건부 비용 최소화 할당과 일치한다)는 가정하에, 후회는 단순히 $\sum \text{Cov}(c_t, \hat{\pi}_t)$가 된다.
2. 유동성 분류: 이 공분산 통계량의 부호는 모델 프리(model-free) 분류기로서 역할을 한다. 양(+)의 공분산은 전략이 비용(가격)이 상승할 때 매수하고 하락할 때 매도함을 나타내며, 이를 **순유동성 소비자(net liquidity consumer)**로 식별한다. 음(-)의 공분산은 그 반대 행동(저점 매수, 고점 매도)을 나타내며, 이를 **순유동성 공급자(net liquidity provider)**로 식별한다.
3. AR(1) 비용 프로세스 및 Roll 스프레드: 비용이 AR(1) 프로세스를 따른다고 가정할 때(단기 수익률 역전의 표준 모델), 본 논문은 후회 합에 대한 폐쇄형 보정식을 도출한다. 이 보정식은 $\alpha s^2$와 같음이 증명되었는데, 여기서 $\alpha$는 전략 규모이고 $s$는 Roll(1984)이 암시하는 비드-애스크(bid-ask) 스프레드이다. 이는 성능 감사 지표를 시장 미세구조 유동성과 직접 연결한다.
4. 내생적 가격 충격: 본 프레임워크는 선형 일시적 가격 충격(Almgren and Chriss, 2001)을 포함하도록 확장된다. 총 후회는 "공분산 후회"(감사 지표)와 "가격 충격 후회"로 가산 분리 가능하며, 이를 통해 두 채널을 궤적 데이터로부터 독립적으로 추정할 수 있음을 보여준다.
5. 시스템적 확장(N-Agent): 본 논문은 공통 요인 비용 구조 하에서 상관관계가 있는 $N$개의 전략을 집계한다. 본 논문은 총 후회가 전략 간 상관계수의 제곱($N^2$)에 비례하여 복지 손실이 규모를 키우는 집계 유동성 균형 조건을 도출한다. 이는 상관관계가 높은 디레버리징이 시장 유동성을 압도하는 "투매(fire-sale)" 외부성을 제공한다.

주요 결과

• 정밀한 분류: $\text{Cov}(c_t, \hat{\pi}_t)$의 부호는 궤적 데이터만으로 Kyle(1985)의 정보 보유 거래자/마켓 메이커 이분법을 정확히 복원한다. 모멘텀 전략은 유동성 소비자이며, 역추세(contrarian) 전략은 유동성 공급자임이 입증되었다.
• 스프레드 추정: AR(1) 비용 프로세스 하에서, 후회 합에 대한 자기 공분산 보정값은 정확히 $\alpha s^2$이다. 이를 통해 추가적인 데이터나 계산 비용 없이 궤적 추정기만으로 Roll 암시 스프레드를 부산물로서 추정할 수 있다.
• 경험적 캘리브레이션 (2016–2025): CRSP 주식 데이터를 사용하여, 본 논문은 서로 다른 시장 국면을 통과하는 암시 스프레드를 추적한다:
  • 정상 시장: AR(1) 보정값이 작으며(진정한 후회의 1~5%), 역추세 전략이 모멘텀 전략보다 우수한 성과를 보인다.
  • COVID-19 위기 (2020년 Q2): 암시 스프레드가 3배 증가하였고(약 0.90%에서 2.52%로), AR(1) 보정값이 크게 증가하여 미세구조의 깊이 저하를 반영하였다. 100개의 상관된 에이전트에 대한 취약성 승수(fragility multiplier, 시스템 리스크)는 60배로 상승했다.
  • 2022년 금리 충격: AR(1) 계수가 0에 가깝게 붕괴되었으며, 이로 인해 암시 스프레드가 샘플 최솟값에 도달했다. 이 국면에서는 편향 보정값이 사라졌고 모든 평균 회귀 전략이 성과 부진을 겪었으며, 이는 추정기가 구조적 국면 변화에 민감함을 확인시켜 준다.
• 시스템적 취약성: 본 논문은 전략들이 매우 높은 상관관계를 가질 경우, 집계된 후회가 $N^2$로 스케일링될 수 있음을 보여준다. $O(T \cdot N^2 \cdot nd)$ 시간 복잡도로 계산 가능한 시스템적 취약성 지수를 제안하며, 이는 유동성 스파이럴이 완전히 전개되기 전에 이를 감지한다.

의의 및 주장
본 논문은 전략의 내부 신호 데이터 없이 오직 관찰 가능한 입력값(가격 및 포지션)만을 사용하여 전략의 유동성 역할과 시장 충격을 복원하는 "블랙박스" 감사 도구를 제공한다고 주장한다.

• 모델 프리 유동성 역할: 실현된 궤적만을 사용하여 근본적인 미세구조 이분법(유동성 소비자 vs 공급자)을 복원하며, 이는 불투명한 알고리즘 전략에도 적용 가능하다.
• 비유동성의 직접적 대리 지표: 후회 보정은 단순한 통계적 조정이 아니라 Roll 스프레드의 제곱에 대한 정확한 대리 지표이며, 유동성 위기와 구조적 변화를 추적하는 실시간 시장 깊이 측정치를 제공한다.
• 시스템 리스크 정량화: 상관관계가 있는 알고리즘 전략이 어떻게 $N^2$로 스케일링되는 복지 손실을 생성할 수 있는지에 대한 폐쇄형 진술을 제공한다. 이는 단일 기업 감사(SR 11-7)를 보완하는 시스템적 규제(예: 전략 다양성 요구 사항 또는 총 포지션 제한)의 정량적 근거를 제공한다.
• 계산 효율성: 제안된 추정기들은 계산 효율적($$O(T \cdot nd)$$ (단일 에이전트), $$O(T \cdot N^2 \cdot nd)$$ (시스템적))이어서, 미래 상태를 시뮬레이션하거나 내부 최적화 엔진에 접근할 필요 없이 실시간 규제 모니터링을 가능하게 한다.

본 논문은 이 분류기가 주문 흐름 기반 척도보다 거칠지만(시간 단위가 아닌 시간 평균을 사용하므로), 불투명한 알고리즘 전략을 감사하는 데 독보적으로 적합하며, 성과 귀속(performance attribution)과 시장 미세구조 이론 사이의 엄밀하고 관찰 가능한 가교를 제공한다고 결론짓는다.