Clusteranalyse für die Bewertung von Handelsstrategien In diesem Papier stellen wir eine neue Methode vor, um empirisch die primären Strategien zu identifizieren, die von einem Händler verwendet werden, der nur Post-Trade-Fill-Daten verwendet. Dazu verwenden wir eine gut etablierte statistische Clustering-Technik namens k-means zu einer Stichprobe von Fortschrittsdiagrammen, die den Teil des Auftrags darstellt, der von jedem Punkt des Tages als Maß für eine Handelsaggressivität abgeschlossen wird. Unsere Methodologie identifiziert die primären Strategien, die von einem Händler verwendet werden und bestimmt, welche Strategie der Händler für jede Bestellung in der Stichprobe verwendet hat. Nachdem die für jeden Auftrag verwendete Strategie identifiziert wurde, kann die Handelskostenanalyse (TCA) nach einer Strategie durchgeführt werden. Wir diskutieren auch Möglichkeiten, diese Technik zu nutzen, um das Verhalten des Traders zu charakterisieren, die Trader-Performance zu bewerten und die entsprechenden Benchmarks für jede einzelne Handelsstrategie vorzuschlagen. Bewertung der Trader-Performance ist eine Herausforderung, weil die Händler oft variieren ihre Strategien in Abhängigkeit von den Zielen der einzelnen Handel. Wenn zum Beispiel Aufträge auf offene Märkte ausgerichtet sind, können Händler ihre Trades vorladen, die möglicherweise einen großen Teil des Handels in der Eröffnungsauktion ausführen. Für größere, mehr auswirkende Aufträge, können Händler beschließen, mehr passiv zu handeln und strecken die Reihenfolge über einen längeren Zeitraum. Im Idealfall sollte die Trading-Cost-Analyse (TCA) die Trader, die der Strategie zugrunde liegen, berücksichtigen. In Wirklichkeit ist dies eine Herausforderung, weil 1) es oft unklar ist, wie die zugrunde liegenden Strategien des Traders zu charakterisieren sind, und 2) auch wenn die Strategien bekannt waren, die Bestimmung, welche Befehle für welche Strategie gelten, kann schwierig sein, wenn diese Informationen nicht erfasst werden In Post-Trade-Datenbanken. Angesichts dieser Herausforderungen besteht ein gemeinsamer Ansatz zur Beurteilung der Trader-Performance darin, die Trades nach Algorithmen als Proxy für die Strategien der Trader zu gruppieren. Wenn Händler spezifische Algorithmen verwenden, um ihre Ziele zu erreichen (z. B. unter Verwendung von Algorithmen für nahtlose Abschlüsse, VWAP-Algorithmen für Trades, die auf VWAP basieren), ist dieser Ansatz sinnvoll, weil der Algorithmus die Strategie ist. Allerdings verwenden High-Touch-Händler oft Algorithmen als Taktik und nicht als Strategien, die zwischen verschiedenen Algorithmen innerhalb einer bestimmten Reihenfolge umschalten. Als Ergebnis wird TCA durch Algorithmus nicht geben Informationen über die Wirksamkeit der Händler Hybrid-Strategie. Eine weitere häufig verwendete Methode zur Bewertung der Trader-Performance ist die Bewertung ihrer Performance im Kontext der durchschnittlichen Aggressivität. Zum Beispiel könnte man das durchschnittliche Fortschrittsdiagramm eines Händlers betrachten, um zu sehen, wie passiv oder aggressiv der Trader dazu neigt, Aufträge zu erledigen und die Leistung in diesem Zusammenhang zu bewerten. Solche Mittelwerte können jedoch nicht sinnvoll sein, da sie über zugrunde liegende Strategien aggregieren. Beispielsweise zeigt 1 das Aggregat-Füllfortschrittsdiagramm für einen einzelnen Händler. Aus der Grafik, scheint es, dass diese Trader zugrunde liegende Strategie ist VWAP. In Wirklichkeit kann dieser Trader jedoch mehrere Strategien verwendet haben, die VWAP insgesamt ähneln, auch wenn der Trader eigentlich niemals ganz VWAP auf einen einzelnen Auftrag gerichtet hatte. Jeff Bacidore, Kathryn Berkow, Ben Polidore und Nigam Saraiya Dieser Artikel, kontaktieren Sie bitte Dewey Palmieri bei dpalmieriiijournals oder 212-224-3675. In diesem Artikel stellen wir eine neue Methode vor, um empirisch die Primärstrategien zu identifizieren, die von einem Händler benutzt werden, der nur Post-trade Fülldaten benutzt. Um dies zu erreichen, wenden wir eine bewährte statistische Clustering-Technik mit dem Namen k - means auf eine Stichprobe von Fortschrittsdiagrammen an, die den Teil des Auftrags darstellt, der von jedem Punkt des Tages als Maß für eine Handlungsaggressivität abgeschlossen wird. Unsere Methodologie identifiziert die primären Strategien, die von einem Händler verwendet werden und bestimmt, welche Strategie der Händler für jede Bestellung in der Stichprobe verwendet hat. Nach der Identifizierung der Strategie für jede Bestellung verwendet, können Handelskosten-Analyse durch Strategie durchgeführt werden. Wir diskutieren auch Möglichkeiten, diese Technik zu nutzen, um das Verhalten des Traders zu charakterisieren, die Trader-Performance zu bewerten und die entsprechenden Benchmarks für jede einzelne Handelsstrategie vorzuschlagen. Jeff Bacidore ist Managing Director und Leiter des Algorithmic Trading bei ITG, Inc. in New York, NY. Jeff. bacidoreitg Kathryn Berkow ist ein quantitativer Analyst für Algorithmic Trading bei ITG, Inc. in New York, NY. Kathryn. berkowitg Ben Polidore ist der Direktor des algorithmischen Handels bei ITG, Inc. in New York, NY. Benjamin. polidoreitg Nigam Saraiya ist ein Vice President von Algorithmic Trading bei ITG, Inc. in New York, NY. Nigam. saraiyaitg Johnson. R. A. Und Wichern. D. W. Angewandte multivariate statistische Analyse, Sechste Ausgabe. Upper Saddle River, New Jersey: Pearson Prentice Hall, 2007. MacQueen. J. B. Einige Methoden zur Klassifizierung und Analyse von multivariaten Beobachtungen. Verfahren der 5. Berkeley-Symposium über mathematische Statistik und Wahrscheinlichkeit, 1, Berkeley, CA: University of California Press, 1967, S. 281-297.
No comments:
Post a Comment