Liquidity-Based Audit of Algorithmic Trading Strategies

Resumo Técnico: Auditoria Baseada em Liquidez de Estratégias de Negociação Algorítmica

Definição do Problema
A teoria da microestrutura de mercado classifica tradicionalmente a atividade de negociação com base em papéis informacionais: negociadores informados demandam liquidez ao negociar com sinais privados, enquanto formadores de mercado fornecem liquidez ao absorver o fluxo de ordens (Kyle, 1985; Glosten e Milgrom, 1985). No entanto, aplicar essa classificação a estratégias de negociação algorítmica é difícil porque a lógica interna, os sinais e os problemas de otimização dos fundos quantitativos são inobserváveis. Reguladores e auditores tipicamente observam apenas trajetórias de negociação realizadas (preços e posições) em vez do fluxo de ordens ou cotações subjacentes. Este artigo aborda o problema de identificar o papel líquido de uma estratégia na liquidez (consumidora vs. provedora) e medir seu arrependimento de desempenho (performance regret) usando apenas o histórico observável de negociação e preços, sem acesso ao modelo interno da estratégia.

Metodologia
O artigo desenvolve um framework baseado em programação dinâmica estocástica multiperíodo e decomposição de arrependimento exato.

1. Decomposição de Covariância: O resultado teórico central (Teorema 3.6) estabelece que o arrependimento multiperíodo de uma política $\hat{\pi}$ em relação a um benchmark de previsão perfeita decompõe-se exatamente na soma das covariâncias por período entre o vetor de custo realizado $c_t$ e a decisão da estratégia $\hat{\pi}_t(c_t)$. Sob a premissa de que a política é não-viesada em média (ou seja, sua saída esperada corresponde à alocação que minimiza o custo condicional), o arrependimento é simplesmente $\sum \text{Cov}(c_t, \hat{\pi}_t)$.
2. Classificação de Liquidez: O sinal deste estatístico de covariância serve como um classificador livre de modelo (model-free). Uma covariância positiva indica que a estratégia compra sistematicamente quando os custos (preços) estão subindo e vende quando estão caindo, identificando-a como uma consumidora líquida de liquidez. Uma covariância negativa indica o comportamento inverso (comprar quedas, vender picos), identificando-a como uma provedora líquida de liquidez.
3. Processo de Custo AR(1) e Spread de Roll: Assumindo que os custos seguem um processo AR(1) (padrão para reversão de retorno em curto horizonte), o artigo deriva uma correção de forma fechada para a soma do arrependimento. Esta correção mostra-se igual a $\alpha s^2$, onde $\alpha$ é o tamanho da estratégia e $s$ é o spread bid-ask implícito de Roll (1984). Isso vincula a métrica de auditoria de desempenho diretamente à liquidez da microestrutura de mercado.
4. Impacto de Preço Endógeno: O framework é estendido para incluir impacto de preço temporário linear (Almgren e Chriss, 2001). O arrependimento total é mostrado como additivemente separável em um "arrependimento de covariância" (a métrica de auditoria) e um "arrependimento de impacto de preço", permitindo a estimativa independente de ambos os canais a partir de dados de trajetória.
5. Extensão Sistêmica (N-Agente): O artigo agrega $N$ estratégias correlacionadas sob uma estrutura de custo de fator comum. Deriva-se uma condição de balanço de liquidez agregada onde a perda de bem-estar escala como $N^2$ no coeficiente de correlação da estratégia. Isso fornece uma expressão de forma fechada para a externalidade de "venda forçada" (fire-sale), onde a desalavancagem correlacionada sobrecarrega a liquidez do mercado.

Resultados Principais

• Classificação Exata: O sinal de $\text{Cov}(c_t, \hat{\pi}_t)$ recupera exatamente a dicotomia negociador-informado/formador-de-mercado de Kyle (1985) a partir apenas de dados de trajetória. Estratégias de momentum são provadas como consumidoras de liquidez, enquanto estratégias contrárias são provedoras de liquidez.
• Estimativa de Spread: Sob um processo de custo AR(1), a correção de autocovariância para a soma do arrependimento é exatamente $\alpha s^2$. Isso permite que o spread implícito de Roll seja estimado como um subproduto da auditoria de arrependimento, não exigindo dados adicionais ou custo computacional além do estimador de trajetória.
• Calibração Empírica (2016–2025): Usando dados de ações CRSP, o artigo rastreia spreads implícitos através de distintos regimes de mercado:
  • Mercados Normais: A correção AR(1) é pequena (1–5% do arrependimento real), e estratégias contrárias superam as de momentum.
  • Crise COVID-19 (Q2 2020): O spread implícito triplicou (de ~0,90% para 2,52%), e a correção AR(1) cresceu significativamente, refletindo uma quebra na profundidade da microestrutura. O multiplicador de fragilidade (risco sistêmico) subiu para 60x para 100 agentes correlacionados.
  • Choque de Taxas de 2022: O coeficiente AR(1) colapsou para próximo de zero, fazendo com que o spread implícito atingisse mínimos amostrais. Neste regime, a correção de viés desapareceu, e todas as estratégias de reversão à média subperformaram, confirmando a sensibilidade do estimador a mudanças estruturais de regime.
• Fragilidade Sistêmica: O artigo demonstra que, mesmo que agentes individuais satisfaçam os critérios de auditoria, o arrependimento agregado pode escalar quadraticamente ($N^2$) se as estratégias forem altamente correlacionadas. Um índice de fragilidade sistêmica é proposto, computável em tempo $O(T \cdot N^2 \cdot nd)$, que detecta o início de espirais de liquidez antes que elas se desenvolvam totalmente.

Significância e Alegações
O artigo alega fornecer uma ferramenta de auditoria de "caixa-preta" que recupera o papel de liquidez de uma estratégia e seu impacto de preço apenas de inputs observáveis (preços e posições), contornando a necessidade de dados de sinais proprietários.

• Papel de Liquidez Livre de Modelo: Recupera a dicotomia fundamental da microestrutura (consumidor de liquidez vs. provedor) usando apenas trajetórias realizadas, tornando-o aplicável a estratégias algorítmicas opacas.
• Proxy Direto de Iliquidez: A correção de arrependimento não é meramente um ajuste estatístico, mas um proxy exato para o spread de Roll ao quadrado, oferecendo uma medida em tempo real da profundidade do mercado que acompanha crises de liquidez e rupturas estruturais.
• Quantificação de Risco Sistêmico: Fornece uma declaração de forma fechada do mecanismo de venda forçada, mostrando como estratégias algorítmicas correlacionadas podem gerar perdas de bem-estar que escalam como $N^2$. Isso oferece uma base quantitativa para a regulação sistêmica (ex: requisitos de diversidade de estratégia ou limites de posição agregada) que complementa as auditorias de firma única existentes (SR 11-7).
• Eficiência Computacional: Os estimadores propostos são computacionalmente eficientes ($O(T \cdot nd)$ para agentes individuais, $O(T \cdot N^2 \cdot nd)$ para sistêmicos), permitindo o monitoramento regulatório em tempo real sem simular estados futuros ou acessar motores de otimização internos.

O artigo conclui que, embora o classificador seja mais grosseiro do que medidas baseadas em fluxo de ordens (pois faz uma média temporal em vez de capturar a dinâmica intradia), ele é unicamente adequado para auditar estratégias algorítmicas opacas e fornece uma ponte rigorosa e observável entre a atribuição de desempenho e a teoria da microestrutura de mercado.