آزمایشهایی بر روی اثرات الگوریتمهای معاملاتی بر بازارهای مالی

تجارت الگوریتمی، که در آن رایانه ها به جای انسان، معاملات را در چند میلی ثانیه پس از دریافت اطلاعات انجام می دهند، سال ها در حال افزایش بوده است. برخی از نویسندگان تخمین می زنند که 70 درصد معاملات در ایالات متحده توسط الگوریتم ها انجام می شود (Swinbue 2010) و برخی دیگر تا 85 درصد افزایش می یابند (Glantz & Kissel 2013). بنابراین تجارت الگوریتمی تأثیر قابل توجهی بر تمام بازارهای مالی توسعه یافته داشته است، اما اثرات آن هنوز به خوبی شناخته نشده است. درک بهتر از این پدیده نسبتاً جدید و در حال تغییر برای اطلاع رسانی به بحث های سیاستی ضروری است، مانند اینکه آیا معاملات الگوریتمی نیاز به رعایت قوانین سخت گیرانه تری برای جلوگیری از نوسانات بیش از حد یا تشکیل حباب های دارایی دارد یا خیر.

هدف از این پروژه پاسخ به سوالات اساسی در مورد اثرات معاملات الگوریتمی بر بازارهای مالی است. به طور خاص، اینکه آیا الگوریتم هایی که با تکنیک های پیشرفته یادگیری ماشین آموزش داده شده اند، احتمال حباب های دارایی را افزایش می دهند یا کاهش می دهند، آیا نوسانات و ریسک را در بازارها افزایش می دهند یا کاهش می دهند، و در واقع این الگوریتم ها در وهله اول چگونه به نظر می رسند. این سوال اخیر ساده است اما پاسخ دادن به آن آسان نیست، زیرا الگوریتم های معاملاتی موفق ارزشمند هستند و بنابراین از ترس کپی شدن، سوء استفاده یا تنظیم آنها محرمانه نگه داشته می شوند. مشکل دیگر این است که تعیین اثرات علی با داده های میدانی از بازارهای مالی بسیار دشوار است، تا حدی به این دلیل که معمولاً حتی قابل تعیین نیست که کدام معاملات توسط الگوریتم ها در بازارهای ناشناس اجرا می شوند.

به این دلایل، من به این سؤالات با آزمایش های آزمایشگاهی پاسخ خواهم داد، جایی که به معامله گران انسانی و معامله گران الگوریتمی در بازارهای آزمایشگاهی کوچک اجازه تعامل می دهم. مزیت این روش این است که می توان اثرات علی را به طور قانع کننده ای ایجاد کرد: یک گروه کنترل با معامله گران فقط انسانی را می توان با یک گروه درمانی با معامله گران الگوریتمی در کنار معیارهای پیامد مختلف مانند فراوانی حباب، نوسانات/ریسک، یا نقدینگی/سرعت معامله مقایسه کرد. بقیه مساویعلاوه بر این، هر عملی در آزمایشگاه قابل مشاهده است، بنابراین معاملات خاص را می توان به عنوان آغاز شده توسط الگوریتم ها یا انسان طبقه بندی کرد. همچنین به من این امکان را می دهد که بررسی کنم که کدام نوع الگوریتم ها هنگام یادگیری در برابر معامله گران انسانی یا سایر الگوریتم های موجود در بازار تکامل می یابند.

یک کلاس از بازار مورد استفاده در آزمایشگاه ، به افراد/الگوریتم ها اجازه می دهد تا چندین واحد از دارایی مالی را تجارت کنند. این دارایی در پایان هر یک از 15 دور ، سود سهام را به دارنده می پردازد. از آنجا که بازپرداخت سود سهام کمتری در دورهای بعدی باقی مانده است ، ارزش اساسی دارایی با گذشت زمان کاهش می یابد. با این حال ، در آزمایش های قبلی با معامله گران انسانی ، حباب های مالی غالباً بوجود می آیند که با وجود کاهش ارزش دارایی ، قیمت ها به طرز چشمگیری افزایش می یابد ، که این الگوی حباب است که در بازارهای موجودی یا مسکن نیز مشاهده می شود. بنابراین این محیط آزمایشی برای مطالعه تشکیل حباب و دلایل حباب مفید است ، اما تاکنون هیچ تحقیق در مورد تأثیر تجارت الگوریتمی در این زمینه وجود ندارد.

در کلاس دیگری از بازار تجربی ، من اخبار مربوط به ارزش دارایی ها را در معاملات بازار مالی معرفی خواهم کرد و مشاهده می کنم که چگونه بازرگانان و الگوریتم ها به چنین شوک های خبری پاسخ می دهند. به طور خاص ، سوال اصلی این است که آیا تعداد کافی از الگوریتم های روند پیروی از روند می توانند منجر به افت شدید یا افزایش قیمت ها شوند ، بنابراین نوسانات و خطر در بازارها افزایش می یابد یا اینکه آیا الگوریتم ها در واقع ممکن است بازارها را تثبیت کنند.

یافته های تحقیق فرمولاسیون سیاست را آگاه می کند و از پتانسیل تأثیر قابل توجهی برخوردار است. تعیین نقشی که الگوریتم ها در رویدادهای بازار مانند حباب های مالی و "سقوط فلش" بازی می کنند ، جایی که قیمت ها به سرعت بدون علت یا اخبار ظاهری کاهش می یابد ، فقط برای بازگشت به مدت کوتاهی پس از آن ، به بخش مالی و نظارتی در تصمیم گیری در مورد اختراع یا تغییرات نظارتی کمک می کندمورد نیاز هستند. این آزمایشات همچنین ابزاری خوب و ارزان برای آزمایش اثربخشی اقدامات یا مقررات جدید سیاست است.

تأثیر برنامه ریزی شده

تحقیقات پیشنهادی در درجه اول به نفع تنظیم کننده های مالی و سیاست گذاران خواهد بود ، زیرا سؤالات تحقیق دارای پیامدهای سیاست بزرگی است. در انگلستان ، این ذینفعان اصلی بانک انگلیس و سازمان رفتار مالی هستند (برای برخی از کارهای خود در مورد این موضوع به FCA 2016 مراجعه کنید). تنظیم کننده ها در سراسر جهان با همان سؤالات در مورد تجارت الگوریتمی روبرو هستند و پاسخ های سیاست/نظارتی به پاسخ ها بستگی دارد. از این رو ، تنظیم کننده های بین المللی ، مانند بانک مرکزی اروپا ، ذخایر فدرال در ایالات متحده و همچنین SEC یا Bundesbank و Bafin در آلمان (مرجع نظارت بر بازار مالی) ، که فقط چند مورد را نامگذاری می کنند ، از این تحقیق استفاده می کنند.

همانطور که بحران مالی 2007/08 نشان داده است ، مشکلات در بازارهای مالی می تواند تأثیرات شدیدی بر اقتصاد واقعی داشته باشد. تحقیقات من با هدف پرداختن به دو سؤال مهم سیاست مربوط به تجارت الگوریتمی است. اول ، آیا تجارت الگوریتمی منجر به عملکرد بهتر بازار و نقدینگی بیشتر یا عوارض جانبی مانند نوسانات بیشتر یا "خرابی فلش" می شود ، بنابراین بازارها را بی ثبات می کند؟در نهایت ، این یک سوال تجربی است. مخالفان تجارت الگوریتمی معتقدند که این امر می تواند باعث افت بزرگ و سریع قیمت های مالی بدون دلیل ظاهری شود ، زیرا یک بازار با روند بسیاری از الگوریتم های زیر ، آبشار فروش در حرکت را تعیین می کند. از طرف دیگر ، طرفداران استدلال می كنند كه الگوریتم ها می توانند خطای انسانی را كاهش دهند و در صورت تجارت با فرکانس بالا ، در واقع نقدینگی را به بازار اضافه می كنند ، بنابراین یافتن شرکای تجاری را برای دیگران آسان تر می كنند. از آنجا که تحقیقات مبتنی بر داده های میدانی محدودیت هایی دارد ، بحث سیاست نیاز به پاسخ به این سوال است. اگر معلوم شود که تجارت الگوریتمی - یا یک توده مهم از آن - همانطور که مخالفان ادعا می کنند ، عوارض جانبی دارد ، پس از آن ممکن است اقدامات نظارتی فراخوانی شود. چنین اقدامات نظارتی ممکن است شامل تنظیم مبادلات ، برای فراهم آوردن بیشتر زمینه بازی بین بازرگانان الگوریتمی و سایر معامله گران یا تنظیم مستقیم تجارت الگوریتمی با هدف جلوگیری از بی ثبات کننده بازار آبشار باشد. رویکرد من در استفاده از آزمایشات برای پرداختن به این سؤال همچنین ابزاری مثمر ثمر برای تحقیق در مورد پاسخ های خط مشی است: از آزمایشات می توان برای پاسخ دادن به کدام یک از قوانین و مقررات می تواند عوارض جانبی را بدون ممنوعیت های آشکار در تجارت الگوریتمی به حداقل برساند.

دوم ، آیا الگوریتم ها به حباب های مالی کمک می کنند یا بهبود می یابند؟بحث دیرینه ای در بین بانکداران مرکزی صورت گرفته است (به عنوان مثال ، به رئیس پیشین ایالات متحده برنانکه 2002 مراجعه کنید) که آیا بانک های مرکزی باید در بازارها مداخله کنند تا با شکل گیری حباب ها مقابله کنند. بسته به اینکه آیا الگوریتم ها به مشکل یا کمک کمک می کنند ، رویکردهای سیاست جدید می توانند به طور خاص در تجارت الگوریتمی انجام شوند ، که در سال 2002 یک استراتژی مناسب نبود که الگوریتم ها به اندازه شایع نبودند و فناوری به اندازه بالغ نبود.

طبقه دوم ذینفعان غیر دانشگاهی مبادلات مالی هستند. در حالی که تنظیم کننده ها نیروی قانون را حمل می کنند ، مبادلات مانند بورس اوراق بهادار لندن می توانند قوانین خود را برای تجارت در سکوی خود تنظیم کنند. به عنوان مثال ، صرافی ها می توانند سفارشات معاملاتی را که به ترتیب ورود به طور دقیق انجام نمی شود ، انجام دهند ، اما سفارش را در یک بازه زمانی کوچک تصادفی کنید ، به طوری که سریعترین الگوریتم ها یا معامله گران همیشه در ابتدا خدمت نمی کنند. FT (2012) با پیشنهاد تأخیر هر سفارش با یک بازه کوچک زمان به طور تصادفی تعیین شده ، نکته مشابهی را بیان می کند. برخی از صرافی ها در ایالات متحده چنین اقداماتی را انجام داده اند (FT 2019). این مثالها نشان می دهد که فشار بر مبادلات برای واکنش نشان می دهد ، و تحقیقات من می تواند به اطلاع رسانی یا توجیه چنین تغییرات قانون تجاری کمک کند که بیشتر بازارهای مالی مدرن را تحت تأثیر قرار می دهد و با گسترش اقتصادهای واقعی آنها. علاوه بر این ، صرافی ها علاقه مند به حداکثر رساندن تجارت هستند ، بنابراین آنها به این سؤال علاقه مند هستند که آیا تجارت الگوریتمی تجارت بشر را از بین می برد و در اقدامات احتمالی برای جلوگیری از شلوغی. آزمایشات من به طور مستقیم به این سؤال پرداخته می شود.