Recreando el algoritmo que casi rompió Wall Avenue

Tabla de enlaces

Resumen, reconocimientos y declaraciones y declaraciones

1. Introducción

2. Antecedentes y trabajo relacionado

   2.1 Simulación del mercado financiero basado en agentes

   2.2 episodios de bloqueo flash

3. Estructura de modelo y configuración de modelo 3.1

   3.2 Comportamientos comerciales comunes

   3.3 comerciante basic (FT)

   3.4 Dealer de impulso (MT)

   3.5 Dealer de ruido (NT)

   3.6 fabricante de mercado (mm)

   3.7 Dinámica de simulación

4. Calibración y validación del modelo y objetivo de calibración 4.1: datos y hechos estilizados para una simulación realista

   4.2 Flujo de trabajo de calibración y resultados

   4.3 Validación del modelo

5. Escenarios de Flash Crash 2010 y 5.1 Simulando Flash Historic Flash

   5.2 Flash Crash en diferentes condiciones

6. Mini escenarios de Flash Crash y 6.1 Introducción del comerciante de picos (ST)

   6.2 Mini Análisis de bloqueo flash

   6.3 Condiciones para mini escenarios de bloqueo flash

7. Conclusión y trabajo futuro

   7.1 Resumen de logros

   7.2 Obras futuras

Referencias y apéndices

2.2 episodios de bloqueo flash

Durante el accidente flash de 2010, más de un billón de dólares fueron eliminados del valor de los mercados de capital estadounidenses en un evento que se ha atribuido en gran medida al rápido aumento de la negociación algorítmica y el comercio de alta frecuencia Kirilenko et al. (2017). Los índices base tanto en el mercado de futuros como de valores experimentaron una caída rápida de precio de más del 5% en solo varios minutos, después de lo cual la mayor parte de la caída de precios se recuperó casi tan rápido como cayó. El private de CFTC y SEC presentan un informe exhaustivo sobre lo que sucedió durante el evento Flash Crash 2010 (SEC y CFTC 2010). Identificaron un algoritmo de ejecución automatizado que vendió una gran cantidad de contratos como catalizador principal para el bloqueo flash. El algoritmo de venta, que se activó en el mercado de futuros E-Mini S&P 500, mantuvo el ritmo del mercado con el objetivo de vender alrededor del 9% del volumen de negociación del minuto anterior (SEC y CFTC 2010). A pesar de que no se conocía anteriormente un impacto negativo, este proceso desencadenó una cascada de venta de pánico por parte de los participantes del mercado que emplean sistemas comerciales automatizados de alta velocidad. El consiguiente efecto de “potato caliente”, donde esos participantes del mercado adquirieron rápidamente y luego liquidaron posiciones entre ellos, resultó en una disminución rápida y extrema de los precios.

Los episodios de Flash Crash han atraído la atención después del evento Flash Crash 2010. Varios meses después del accidente, el private de las autoridades reguladoras publicó un informe que destacó el importante papel de un gran vendedor al iniciar el evento Flash Crash (SEC y CFTC 2010). Se informa que aunque los comerciantes de alta frecuencia parecen haber exacerbado la magnitud del accidente, en realidad no activan el bloqueo flash. Aunque los comerciantes de alta frecuencia desempeñaron un papel en la creación del llamado efecto de “potato caliente”, el accidente flash probablemente se habría evitado sin el algoritmo de venta demasiado simplista basado solo en el volumen. También hay mucha investigación académica sobre episodios de flash choque. Por ejemplo, Kirilenko et al. (2017) aplicaron enfoques puramente empíricos para comprender las causas del bloqueo flash de 2010. Utilizan el análisis de regresión en un conjunto de datos único que está etiquetado con las identidades de todos los participantes del mercado. Se demuestra que al responder a la actividad del algoritmo de venta, los comerciantes de alta frecuencia causaron el efecto “caliente-potato” que exacerbó la caída de precios. Esto es consistente con el informe SEC y CFTC (2010). Paddrik et al. (2012) desarrollan un modelo basado en agentes de los futuros E-Mini S&P aplicados al análisis de Flash Crash. Un bloqueo common de Flash en el precio se duplicate en su modelo. Sin embargo, solo reproducen una forma aproximada del comportamiento del precio del choque de flash, y los análisis detallados de los comportamientos del comerciante y la profundidad del mercado están ausentes. Karvik et al. (2018) desarrollaron un modelo basado en agentes para analizar los episodios de Flash Crash en el mercado de Foreign exchange Sterling-Greenback. Hacen hincapié en el importante papel de los comerciantes de alta frecuencia en la aparición de episodios de Flash Crash. El enfoque propuesto en este documento está en parte inspirado en su trabajo. Paddrik et al. (2017) exploran cómo se pueden utilizar los niveles de información para predecir la aparición de eventos de bloqueo flash. Sus hallazgos sugieren que algunos indicadores de estabilidad derivados de la información del libro de pedidos límite son capaces de indicar una alta probabilidad de un evento inminente de bloqueo flash.

También hay diferentes ángulos de visión para los episodios de Flash Crash en la literatura. Paulin et al. (2019) diseñar e implementar un enfoque híbrido microscópico y agente macroscópico para investigar las condiciones que dan lugar al “contagio electrónico”[3] de eventos de bloqueo flash. Sus resultados demuestran que el contagio del bloqueo flash entre los diferentes activos depende de la diversificación de la cartera, los comportamientos de los comerciantes algorítmicos y la topología de la pink. También se enfatiza que las intervenciones regulatorias son importantes durante la propagación de la angustia del choque instantáneo. Menkveld y Yueshen (2019) analizan el evento Flash Crash desde la perspectiva del arbitraje cruzado. Encuentran que el desglose de las actividades de arbitraje cruzado entre los mercados relacionados juega un papel importante en la exacerbación del evento Flash Crash. Kyle y Obižaeva (2020) analizan el impacto de los precios durante los eventos de bloqueo flash en su modelo de invariancia de microestructura de mercado. Se muestra que las disminuciones del precio actual en los eventos de bloqueo flash son mayores que el impacto prevista en el precio. Madhavan (2012) argumenta que los episodios de Flash Crash están vinculados directamente a la estructura precise del mercado, principalmente al patrón de volumen y fragmentación del mercado. Además, sugiere que la falta de liquidez es el problema crítico que requiere la mayor atención de la política para evitar futuros eventos de accidente flash. Del mismo modo, Borkovec et al. (2010) se deben explícitamente el bloqueo flash en los ETF a un deterioro extremo en la liquidez. Sus resultados son consistentes con el comportamiento de provisión de liquidez en los mercados financieros. Golub et al. (2012) analizan Mini Flash Crashes, que son las versiones reducidas del Flash Crash 2010. Se muestra que los mini accidentes flash también tienen un impacto adverso en la liquidez del mercado y están asociados con el fenómeno fugaz de liquidez.

Lo anterior proporciona varios análisis para la aparición de episodios de Flash Crash. Sin embargo, a pesar del trabajo extenso en el análisis de los episodios de Flash Crash, las causas exactas de los episodios de Flash Crash aún no están claras. En este artículo, investigamos y analizamos los episodios de Flash Crash a través de la lente de la simulación del mercado financiero basada en agentes. En este sentido, nuestro trabajo es comparable al trabajo en Karvik et al. (2018) y Paddrik et al. (2012). Sin embargo, ofrecemos un análisis mucho más extenso y detallado del evento simulado Flash Crash que, según nuestro conocimiento, es el análisis de grano más fino en la literatura precise. Específicamente, simulamos de manera realista el evento Flash Crash 2010 en nuestra simulación y dividimos el evento simulado Flash Crash a varias fases. Para cada fase, se presentan análisis detallados sobre los comportamientos de los comerciantes y la dinámica del mercado. Hasta donde sabemos, esta simulación y análisis de grano fino no se informa antes en la literatura. Al dividir todo el evento Flash Crash en diferentes fases y examinar los comportamientos del comerciante y la dinámica del mercado para cada fase, arrojamos luz sobre la causa de los eventos de bloqueo flash. Además, los experimentos controlados en diferentes configuraciones de modelo y comportamientos de comerciante se llevan a cabo en el marco de simulación basado en agentes desarrollados, que proporcionan información sobre cómo evitar el octavo de eventos perjudiciales de flash. La base de nuestro modelo basado en agentes es el modelo Chiarella extendido en Majewski et al. (2020), que comprende comerciantes fundamentales, comerciantes de impulso y comerciantes de ruido. Además, dividimos a los comerciantes de impulso en comerciantes de impulso a largo plazo y comerciantes de impulso a corto plazo, e presentamos a los fabricantes de mercado al modelo. La motivación para introducir este tipo de comerciantes y sus interacciones se presentará en la Sección 3.1. Se muestra que el modelo propuesto es capaz de generar sequence de tiempo financieras artificiales realistas. En el marco de la simulación de mercado financiero realista basada en agentes, se introducen tipos especiales de agentes para activar episodios de accidente flash en el mercado financiero simulado. De esta manera, se analizan y analizan los episodios simulados de bloqueo flash.

[3] El contagio electrónico se refiere al fenómeno de contagio en los mercados financieros que resulta de las interacciones entre los algoritmos de negociación, en lugar de los comerciantes humanos.