Финансовые рынки, населенные трейдерами-людьми, часто проявляют «рыночное воздействие», когда котировки трейдеров движутся в направлении ожидаемого изменения до того, как какая-либо транзакция состоится, как немедленная реакция на поступление крупного (т. е. «блокового» «) ордер на покупку или продажу на сайте GoodTrading.
Например, трейдеры на рынке знают, что блочный ордер на покупку подтолкнет цену вверх, и поэтому они немедленно корректируют свои котировки в сторону повышения. На большинстве крупных финансовых рынков в настоящее время задействовано множество «роботов-трейдеров», автономных адаптивных программных агентов, а не людей.
В этой статье исследуется, как дать таким трейдерам-агентам надежную упреждающую чувствительность к блочным ордерам, чтобы рынки, полностью заполненные роботами-трейдерами, также оказывали влияние на рынок. В публикации 2019 года Church & Клифф представил первоначальные результаты простого детерминистического робота-трейдера ISHV, который демонстрирует этот эффект воздействия на рынок посредством мониторинга метрики дисбаланса между спросом и предложением на рынке.
Новые вклады нашей статьи заключаются в следующем: (а) мы критикуем методы, используемые Черчем и Клиффом, обнаруживая их слабость, и утверждаем, что требуется более надежная мера дисбаланса; (b) мы выступаем за использование многоуровневого дисбаланса потока ордеров (MLOFI: Xu et al., 2019) в качестве лучшей основы для чувствительных к дисбалансу роботов-трейдеров-агентов; и (c) мы демонстрируем использование более надежной меры MLOFI для расширения ISHV, а также хорошо известных алгоритмов торговых агентов AA и ZIP (ранее было показано, что оба они последовательно превосходят трейдеров-людей).
Мы показываем, что представленные здесь новые чувствительные к дисбалансу трейдеры-агенты действительно проявляют эффекты воздействия на рынок и, следовательно, лучше подходят для работы на рынках, где влияние является фактором беспокойства или интереса, но не страдают недостатками методов, используемых трейдерами. Церковь и Клифф. Исходный код нашей работы, представленной здесь, находится в свободном доступе на GitHub.