Liquidity-Based Audit of Algorithmic Trading Strategies

Technische Samenvatting: Liquiditeitsgebaseerde Audit van Algoritmische Handelsstrategieën

Probleemstelling
De theorie van de marktmicrostructuur classificeert handelsactiviteit traditioneel op basis van informatieve rollen: geïnformeerde handelaren vragen liquiditeit op door te handelen op basis van private signalen, terwijl market makers liquiditeit aanbieden door orderflow te absorberen (Kyle, 1985; Glosten en Milgrom, 1985). Het toepassen van deze classificatie op algoritmische handelsstrategieën is echter moeilijk omdat de interne logica, signalen en optimalisatieproblemen van kwantitatieve fondsen niet observeerbaar zijn. Toezichthouders en auditors observeren doorgaans alleen gerealiseerde handels-trajecten (prijzen en posities) en niet de onderliggende orderflow of quotes. Dit artikel behandelt het probleem van het identificeren van de netto liquiditeitsrol (consument versus aanbieder) van een strategie en het meten van de prestatie-regret (spijt) met uitsluitend observeerbare handels- en prijsgeschiedenis, zonder toegang te hebben tot de interne modellen van de strategie.

Methodologie
Het artikel ontwikkelt een raamwerk gebaseerd op multi-period stochastic dynamic programming en exacte regret-decompositie.

1. Covariantie-decompositie: Het kernresultaat (Theorema 3.6) stelt vast dat de multi-period regret van een beleid $\hat{\pi}$ ten opzichte van een benchmark met perfecte vooruitziendheid exact uiteenvalt in de som van de per-periode covarianten tussen de gerealiseerde kostenvector $c_t$ en de beslissing van de strategie $\hat{\pi}_t(c_t)$. Onder de aanname dat het beleid gemiddeld onbevooroordeeld is (d.w.z. de verwachte output komt overeen met de voorwaardelijke kosten-minimaliserende allocatie), is de regret simpelweg $\sum \text{Cov}(c_t, \hat{\pi}_t)$.
2. Liquiditeitsclassificatie: Het teken van deze covariantie-statistiek dient als een model-vrije classifier. Een positieve covariantie duidt erop dat de strategie systematisch koopt wanneer kosten (prijzen) stijgen en verkoopt wanneer ze dalen, wat het identificeert als een netto liquiditeitsconsument. Een negatieve covariantie duidt op het omgekeerde gedrag (dippen kopen, pieken verkopen), wat het identificeert als een netto liquiditeitsaanbieder.
3. AR(1) Kostenproces en Roll-spread: Onder de aanname dat kosten een AR(1)-proces volgen (standaard voor korte-termijn rendement-reversal), leidt het artikel een gesloten vorm van correctie af voor de regret-som. Deze correctie blijkt gelijk te zijn aan $\alpha s^2$, waarbij $\alpha$ de omvang van de strategie is en $s$ de door Roll (1984) geïmpliceerde bid-ask spread is. Dit koppelt de audit-metriek voor prestaties direct aan de liquiditeit van de marktmicrostructuur.
4. Endogene Prijsimpact: Het raamwerk wordt uitgebreid met lineaire tijdelijke prijsimpact (Almgren en Chriss, 2001). De totale regret blijkt additief scheidbaar in een "covariantie-regret" (de audit-metriek) en een "prijsimpact-regret", waardoor beide kanalen onafhankelijk geschat kunnen worden vanuit traject-data.
5. Systemische Extensie (N-Agent): Het artikel aggregeert $N$ gecorreleerde strategieën onder een gemeenschappelijke factor-kostenstructuur. Er wordt een geaggregeerde liquiditeitsbalans-conditie afgeleid waarbij het welvaartsverlies schaalt als $N^2$ in de strategie-correlatiecoëfficiënt. Dit biedt een gesloten vormelijke expressie van de "fire-sale" externaliteit, waarbij gecorreleerde deleveraging de marktliquiditeit overweldigt.

Belangrijkste Resultaten

• Exacte Classificatie: Het teken van $\text{Cov}(c_t, \hat{\pi}_t)$ herstelt exact de Kyle (1985) geïnformeerde-handelaar/market-maker dichotomie op basis van enkel traject-data. Momentumstrategieën worden bewezen liquiditeitsconsumenten te zijn, terwijl contrariante strategieën liquiditeitsaanbieders zijn.
• Spread-schatting: Onder een AR(1) kostenproces is de auto-covariantie correctie van de regret-som exact $\alpha s^2$. Dit maakt het mogelijk om de door Roll geïmpliceerde spread te schatten als een bijproduct van de regret-audit, zonder dat er extra data of computationele kosten nodig zijn buiten de traject-estimator.
• Empirische Kalibratie (2016–2025): Met behulp van CRSP-aandelengegevens volgt het artikel geïmpliceerde spreads door verschillende marktregimes:
  • Normale Markten: De AR(1)-correctie is klein (1–5% van de ware regret), en contrariante strategieën presteren beter dan momentumstrategieën.
  • COVID-19 Crisis (Q2 2020): De geïmpliceerde spread verdrievoudigde (van ~0,90% naar 2,52%), en de AR(1)-correctie groeide aanzienlijk, wat een breuk in de microstructuur-diepte reflecteert. De fragiliteitsmultiplier (systemisch risico) steeg naar 60x voor 100 gecorreleerde agenten.
  • 2022 Renteschok: De AR(1)-coëfficiënt stortte bijna volledig in naar nul, waardoor de geïmpliceerde spread de steekproefminimumwaarden bereikte. In dit regime verdween de bias-correctie en presteerden alle mean-reversion strategieën ondermaats, wat de gevoeligheid van de estimator voor structurele regime-verschuivingen bevestigt.
• Systemische Fragiliteit: Het artikel toont aan dat zelfs als individuele agenten aan de audit-criteria voldoen, de geaggregeerde regret kwadratisch kan schalen ($N^2$) indien strategieën sterk gecorreleerd zijn. Een systemische fragiliteitsindex wordt voorgesteld, berekenbaar in $O(T \cdot N^2 \cdot nd)$ tijd, die het begin van liquiditeitsspiralen detecteert voordat deze volledig ontwikkelen.

Betekenis en Claims
Het artikel claimt een "black-box" audit-instrument te bieden dat de liquiditeitsrol en de marktimpact van een strategie herstelt uitsluitend op basis van observeerbare inputs (prijzen en posities), waardoor de noodzaak voor propriëtaire signaaldata wordt omzeild.

• Model-vrije Liquiditeitsrol: Het herstelt de fundamentele microstructuur-dichotomie (liquiditeitsconsument versus aanbieder) met enkel gerealiseerde trajecten, wat toepasbaar is op opake algoritmische strategieën.
• Directe Proxy voor Illiquiditeit: De regret-correctie is niet louter een statistische aanpassing maar een exacte proxy voor de gekwadrateerde Roll-spread, wat een real-time maatstaf biedt voor marktdiepte die liquiditeitscrisissen en structurele breuken volgt.
• Kwantificering van Systemisch Risico: Het biedt een gesloten vormelijke verklaring van het fire-sale mechanisme, waarbij wordt aangetoond hoe gecorreleerde algoritmische strategieën welvaartsverliezen kunnen genereren die schalen als $N^2$. Dit biedt een kwantitatieve basis voor systemische regulering (bijv. eisen voor strategie-diversiteit of geaggregeerde positielimieten) die bestaande audits per individueel bedrijf (SR 11-7) complementeert.
• Computationele Efficiëntie: De voorgestelde estimators zijn computationeel efficiënt ($O(T \cdot nd)$ voor individuele agenten, $O(T \cdot N^2 \cdot nd)$ voor systemische), wat real-time regulatoire monitoring mogelijk maakt zonder toekomstige staten te simuleren of toegang te hoeven krijgen tot interne optimalisatie-engines.

Het artikel concludeert dat hoewel de classifier minder fijnmazig is dan orderflow-gebaseerde maten (omdat het over de tijd middelt in plaats van intraday dynamiek te vangen), het uniek geschikt is voor het auditen van opake algoritmische strategieën en een rigoureuze, observeerbare brug slaat tussen prestatie-attributie en marktmicrostructuurtheorie.