Exemplo de estratégia de negociação de alta freqüência

Exemplo de estratégia de negociação de alta freqüência
Obter através da App Store Leia esta publicação em nosso aplicativo!
Onde posso encontrar alguns exemplos de algoritmos de negociação de alta frequência ou stat arborativos além de negociação básica de livros didáticos?
tem vários algoritmos de nome. Eu entendo que a maioria dos algoritmos HFT são proprietários, mas estou procurando exemplos de estratégias HFT (mesmo as que não ganham mais dinheiro) apenas para entender o que é.
Haim Bodek trabalhou para Goldman e UBS e depois teve sua própria empresa comercial. Ele começou a Consultar em estratégias HFT e foi mencionado em Dark Pools por Scott Patterson.
Confira a introdução da estratégia '0+'. Como afirmou uma resposta anterior, ninguém dará uma estratégia vencedora.

Comércio de alta freqüência (HFT)
O que é isso:
O comércio de alta freqüência (HFT) é uma estratégia de negociação computadorizada utilizada para explorar ineficiências do mercado. Essas posições de ultra-curto prazo podem estar em uma ampla gama de ativos: ações, opções, futuros, moedas, fundos negociados em bolsa (ETFs) e praticamente qualquer outro ativo que possa ser negociado eletronicamente.
Como funciona (Exemplo):
Para executar a negociação de alta freqüência, algoritmos de computador sofisticados analisam resmas de dados de mercado para identificar oportunidades de negociação obscuras e intradias que existem por apenas uma fração de segundo. O comércio de alta freqüência depende de computadores porque os seres humanos são incapazes de processar e interpretar a quantidade impressionante de dados necessários para executar essas "microtrades".
Os comerciantes de alta freqüência normalmente liquidam suas carteiras inteiras diariamente. No final do dia, até mesmo as frações de um centavo nos lucros podem acumular-se rapidamente em um grande volume de negócios. Às vezes chamado de "churn e burn", esse tipo de negociação normalmente não usa alavancagem ou acumulação de posições. Buscando aproveitar uma mera fração de um centavo por ação ou unidade monetária em todos os negócios, os comerciantes de alta freqüência flutuam dentro e fora de suas posições de curto prazo várias vezes ao dia.
O método mais comum de HFT envolve "arbitragem", que explora desvios previsíveis - mas temporários - de relações estatísticas estáveis ​​entre os valores mobiliários. Um exemplo clássico tenta tirar proveito das relações fluidas e sempre em mudança entre os preços dos títulos domésticos, as denominações cambiais, os preços no mercado monetário e os contratos a prazo que compõem a teoria da "paridade das taxas de juros".
O comércio de alta freqüência é extremamente arriscado. Os grandes retornos acumulados em um curto período de tempo também podem levar, tão rapidamente, a grandes perdas.
Por que isso importa:
A negociação de alta freqüência é realizada apenas por comerciantes extremamente sofisticados com o histórico matemático para programar algoritmos complexos, bem como o poder tecnológico para executar milhões de negócios em questão de segundos.
Há um debate considerável dentro da comunidade financeira sobre se a HFT é boa ou ruim para os mercados de capitais. Os defensores da HFT dizem que fornece liquidez adicional, aumentando o volume de negócios em qualquer dia. Os oponentes sugerem que o comércio de alta freqüência pode ser usado para manipular os preços, dando às empresas HFT a capacidade de fazer bilhões de dólares às custas de outros comerciantes.
Calculadoras mais populares.
BIBLIOTECA DE CONTEÚDO.
InvestingAnswers é o único guia de referência financeira que você precisará. Nossas ferramentas detalhadas dão milhões de pessoas em todo o mundo altamente detalhadas e explícitas respostas às suas questões financeiras mais importantes.
Nós fornecemos o dicionário financeiro mais abrangente e de alta qualidade do planeta, além de milhares de artigos, calculadoras úteis e respostas para questões financeiras comuns - todos com 100% de desconto.
Cada mês, mais de 1 milhão de visitantes em 223 países em todo o mundo vêm à InvestingAnswers como uma fonte confiável de informações valiosas.
Copyright © 2018. InvestingAnswers, Inc. Todos os direitos reservados.

Fundamentos do comércio algorítmico: conceitos e exemplos.
Um algoritmo é um conjunto específico de instruções claramente definidas destinadas a realizar uma tarefa ou processo.
O comércio algorítmico (negociação automatizada, negociação em caixa preta ou simplesmente algo-trading) é o processo de uso de computadores programados para seguir um conjunto definido de instruções para colocar um comércio para gerar lucros a uma velocidade e freqüência impossíveis para um comerciante humano. Os conjuntos definidos de regras são baseados em tempo, preço, quantidade ou qualquer modelo matemático. Além das oportunidades de lucro para o comerciante, o algo-trading torna os mercados mais líquidos e torna a negociação mais sistemática descartando impactos emocionais humanos nas atividades comerciais. (Para mais, consulte Picking the Right Algorithmic Trading Software.)
Suponha que um comerciante siga esses critérios de comércio simples:
Compre 50 ações de uma ação quando sua média móvel de 50 dias excede a média móvel de 200 dias. Vende ações da ação quando sua média móvel de 50 dias está abaixo da média móvel de 200 dias.
Usando este conjunto de duas instruções simples, é fácil escrever um programa de computador que monitorará automaticamente o preço das ações (e os indicadores de média móvel) e colocará as ordens de compra e venda quando as condições definidas forem atendidas. O comerciante não precisa mais manter um relógio para preços e gráficos ao vivo, ou colocar as ordens manualmente. O sistema de negociação algorítmica automaticamente faz isso para ele, identificando corretamente a oportunidade comercial. (Para mais informações sobre as médias móveis, consulte Médias móveis simples, faça as tendências se destacarem.)
[Se você quiser saber mais sobre as estratégias comprovadas e pontuais que podem eventualmente ser trabalhadas em um sistema de comércio alorítico, confira o Curso de Torneio de Dia de Torneio da Invastopedia Academy. ]
Benefícios da negociação algorítmica.
A Algo-trading oferece os seguintes benefícios:
Negociações executadas com os melhores preços Posicionamento instantâneo e preciso da ordem comercial (com altas chances de execução nos níveis desejados) Negociações cronometradas corretamente e instantaneamente, para evitar mudanças de preços significativas Custos de transação reduzidos (veja o exemplo de falta de implementação abaixo) Verificações automatizadas simultâneas em múltiplos condições de mercado Reduziu o risco de erros manuais na colocação dos negócios Backtest o algoritmo, com base nos dados históricos e em tempo real disponíveis Reduzida a possibilidade de erros por comerciantes humanos com base em fatores emocionais e psicológicos.
A maior parte do dia-a-dia é a negociação de alta freqüência (HFT), que tenta capitalizar a colocação de um grande número de pedidos em velocidades muito rápidas em múltiplos mercados e múltiplos parâmetros de decisão, com base em instruções pré-programadas. (Para obter mais informações sobre o comércio de alta freqüência, consulte Estratégias e Segredos de Empresas de Negociação de Alta Freqüência (HFT).)
O Algo-trading é usado em muitas formas de atividades de comércio e investimento, incluindo:
Investidores de médio a longo prazo ou empresas de compra (fundos de pensão, fundos de investimento, companhias de seguros) que adquirem ações em grandes quantidades, mas não querem influenciar os preços das ações com investimentos discretos e de grande porte. Os comerciantes de curto prazo e os participantes do lado da venda (fabricantes de mercado, especuladores e arbitragentes) se beneficiam da execução comercial automatizada; Além disso, ajudas de algo-trading na criação de liquidez suficiente para os vendedores no mercado. Os comerciantes sistemáticos (seguidores de tendências, comerciantes de pares, hedge funds, etc.) acham muito mais eficiente programar suas regras comerciais e permitir que o programa seja comercializado automaticamente.
O comércio algorítmico proporciona uma abordagem mais sistemática ao comércio ativo do que os métodos baseados na intuição ou instinto do comerciante humano.
Estratégias de negociação algorítmica.
Qualquer estratégia de negociação algorítmica exige uma oportunidade identificada que seja rentável em termos de melhoria de ganhos ou redução de custos. As seguintes são estratégias de negociação comuns usadas em algo-trading:
As estratégias de negociação algorítmicas mais comuns seguem as tendências em médias móveis, fuga de canais, movimentos no nível de preços e indicadores técnicos relacionados. Estas são as estratégias mais fáceis e simples de implementar através de negociação algorítmica porque essas estratégias não envolvem fazer previsões ou previsões de preços. Os negócios são iniciados com base na ocorrência de tendências desejáveis, que são fáceis e direitas de implementar através de algoritmos sem entrar na complexidade da análise preditiva. O exemplo acima mencionado de média móvel de 50 e 200 dias é uma tendência popular seguindo a estratégia. (Para mais informações sobre as estratégias de negociação de tendências, consulte: Estratégias simples para capitalizar as tendências.)
Comprar um estoque cotado duplo a um preço mais baixo em um mercado e simultaneamente vendê-lo a um preço mais alto em outro mercado oferece o diferencial de preço como lucro ou arbitragem sem risco. A mesma operação pode ser replicada para ações versus instrumentos de futuros, pois os diferenciais de preços existem de tempos em tempos. Implementar um algoritmo para identificar esses diferenciais de preços e colocar as ordens permite oportunidades lucrativas de forma eficiente.
Os fundos do índice definiram períodos de reequilíbrio para que suas participações fossem compatíveis com seus respectivos índices de referência. Isso cria oportunidades rentáveis ​​para comerciantes algorítmicos, que capitalizam os negócios esperados que oferecem lucros de 20 a 80 pontos base dependendo do número de ações no fundo do índice, apenas antes do reequilíbrio do fundo do índice. Essas negociações são iniciadas através de sistemas de negociação algorítmica para execução atempada e melhores preços.
Muitos modelos matemáticos comprovados, como a estratégia de negociação neutra do delta, que permitem a negociação de combinações de opções e sua segurança subjacente, onde os negócios são colocados para compensar deltas positivos e negativos, de modo que o portfólio delta seja mantido em zero.
A estratégia de reversão média baseia-se na ideia de que os preços altos e baixos de um bem são um fenômeno temporário que retorna periodicamente ao seu valor médio. Identificar e definir uma faixa de preço e implementar algoritmos com base em isso permite que os negócios sejam colocados automaticamente quando o preço do recurso entra e sai do seu alcance definido.
A estratégia de preços médios ponderados por volume quebra uma grande ordem e libera pedaços menores determinados dinamicamente da ordem para o mercado usando perfis de volume histórico específicos de estoque. O objetivo é executar a ordem perto do preço médio ponderado do volume (VWAP), beneficiando assim o preço médio.
A estratégia de preço médio ponderado no tempo quebra uma grande ordem e libera dinamicamente determinados pedaços menores da ordem para o mercado usando intervalos de tempo uniformemente divididos entre o início e o fim do tempo. O objetivo é executar a ordem perto do preço médio entre os horários de início e término, minimizando assim o impacto no mercado.
Até que a ordem comercial seja totalmente preenchida, este algoritmo continua enviando ordens parciais, de acordo com o índice de participação definido e de acordo com o volume negociado nos mercados. A "estratégia de etapas" relacionada envia ordens a uma porcentagem definida pelo usuário de volumes de mercado e aumenta ou diminui essa taxa de participação quando o preço da ação atinge os níveis definidos pelo usuário.
A estratégia de falta de implementação visa minimizar o custo de execução de uma ordem através da negociação do mercado em tempo real, economizando assim o custo da ordem e beneficiando do custo de oportunidade da execução atrasada. A estratégia aumentará a taxa de participação direcionada quando o preço das ações se mover de forma favorável e diminuí-lo quando o preço das ações se mover de forma adversa.
Existem algumas classes especiais de algoritmos que tentam identificar "acontecimentos" do outro lado. Esses "algoritmos de sniffing", usados, por exemplo, por um market maker market market têm a inteligência interna para identificar a existência de qualquer algoritmo no lado da compra de uma grande ordem. Essa detecção através de algoritmos ajudará o fabricante de mercado a identificar grandes oportunidades de ordem e permitir que ele se beneficie ao preencher os pedidos a um preço mais alto. Isso às vezes é identificado como front-running de alta tecnologia. (Para obter mais informações sobre negociação de alta freqüência e práticas fraudulentas, consulte: Se você comprar ações on-line, você está envolvido em HFTs.)
Requisitos técnicos para negociação algorítmica.
Implementar o algoritmo usando um programa de computador é a última parte, batida com backtesting. O desafio é transformar a estratégia identificada em um processo informatizado integrado que tenha acesso a uma conta de negociação para fazer pedidos. São necessários os seguintes:
Conhecimento de programação de computador para programar a estratégia de negociação necessária, programadores contratados ou software de negociação pré-fabricado Conectividade de rede e acesso a plataformas de negociação para colocar os pedidos Acesso a feeds de dados de mercado que serão monitorados pelo algoritmo para oportunidades de colocar pedidos A capacidade e infra-estrutura para voltar a testar o sistema uma vez construído, antes de entrar em operação em mercados reais Dados históricos disponíveis para backtesting, dependendo da complexidade das regras implementadas no algoritmo.
Aqui está um exemplo abrangente: o Royal Dutch Shell (RDS) está listado na Amsterdam Stock Exchange (AEX) e London Stock Exchange (LSE). Vamos construir um algoritmo para identificar oportunidades de arbitragem. Aqui estão algumas observações interessantes:
AEX negocia em Euros, enquanto a LSE negocia em libras esterlinas. Devido à diferença horária de uma hora, a AEX abre uma hora antes da LSE, seguido de ambas as trocas comerciais simultaneamente durante as próximas horas e depois de negociar apenas na LSE durante a última hora à medida que o AEX fecha .
Podemos explorar a possibilidade de negociação de arbitragem nas ações da Royal Dutch Shell listadas nesses dois mercados em duas moedas diferentes?
Um programa de computador que pode ler os preços atuais do mercado Os feeds de preços de LSE e AEX A taxa de câmbio para a taxa de câmbio GBP-EUR Capacidade de colocação de pedidos que podem rotear a ordem para a troca correta do recurso Back-testing em feeds históricos de preços.
O programa de computador deve executar o seguinte:
Leia o preço de entrada do estoque RDS de ambas as bolsas Usando as taxas de câmbio disponíveis, converta o preço de uma moeda para outra. Se houver uma discrepância de preço suficientemente grande (descontando os custos de corretagem) levando a uma oportunidade rentável, então coloque a compra ordem em troca de preços mais baixos e ordem de venda em troca de preços mais elevados Se as ordens forem executadas conforme desejado, o lucro de arbitragem seguirá.
Simples e fácil! No entanto, a prática de negociação algorítmica não é simples de manter e executar. Lembre-se, se você pode colocar um comércio gerado por algo, os outros participantes do mercado podem também. Conseqüentemente, os preços flutuam em milissegundos e até mesmo em microssegundos. No exemplo acima, o que acontece se o seu comércio de compras for executado, mas o comércio de vendas não acontece à medida que os preços de venda mudam quando o seu pedido atinge o mercado? Você vai acabar sentado com uma posição aberta, tornando sua estratégia de arbitragem inútil.
Existem riscos e desafios adicionais: por exemplo, riscos de falha do sistema, erros de conectividade de rede, atrasos de tempo entre ordens comerciais e execução e, o mais importante de tudo, algoritmos imperfeitos. O algoritmo mais complexo é o backtesting mais rigoroso antes de ser posto em ação.
The Bottom Line.
A análise quantitativa do desempenho de um algoritmo desempenha um papel importante e deve ser examinada criticamente. É excitante ir pela automação auxiliada por computadores com a noção de ganhar dinheiro sem esforço. Mas é preciso certificar-se de que o sistema está completamente testado e os limites exigidos são definidos. Os comerciantes analíticos devem considerar a aprendizagem de sistemas de programação e construção por conta própria, ter confiança em implementar as estratégias certas de forma infalível. O uso cauteloso eo teste completo de algo-trading podem criar oportunidades rentáveis. (Para mais informações, consulte Como codificar seu próprio robô Algo Trading.)

algotrading.
76 & # 32; пользователей находятся здесь.
МОДЕРАТОРЫ.
Bem-vindo ao Reddit,
a primeira página da internet.
e inscreva-se em uma das milhares de comunidades.
Это архивированный пост. Você está interessado em иолосовать или комментировать.
отправлено & # 32; 7 месяцев назад & # 32; автор & # 32; [excluído]
Quer adicionar à discussão?
помощь правила сайта центр поддержки вики реддикет mod guidelines связаться с нами.
приложенияи инструменты Reddit para iPhone Reddit para o site móvel Android кнопки.
Использование данного сайта означает, что вы принимаете & # 32; пользовательского соглашения & # 32; и & # 32; Политика конфиденциальности. &cópia de; 2018 reddit инкорпорейтед. Все права защищены.
REDDIT e o logotipo ALIEN são marcas registradas da reddit inc.
& pi; Renderizado pelo PID 51448 em & # 32; app-210 & # 32; em 2018-01-13 13: 39: 46.046867 + 00: 00 executando b995ef9 código do país: UA.

Rachaduras no pipeline Parte dois: comércio de alta freqüência.
Rachaduras no pipeline Parte dois: comércio de alta freqüência.
Este é o segundo de uma série de artigos, intitulado "The Financial Pipeline Series", examinando a validade subjacente da afirmação de que a regulamentação dos mercados financeiros reduz sua eficiência. Esses artigos afirmam que o valor dos mercados financeiros geralmente é mal medido. A eficiência do mercado nos fluxos intermediários entre investidores de capital e usuários de capital (como empresas de fabricação e serviços, indivíduos e governos) é a medida apropriada. Os mercados não regulamentados são cronicamente ineficientes usando este padrão. Isso custa à economia enormes quantidades a cada ano. Além disso, as ineficiências criam tensões para o sistema que tornam inevitáveis ​​as crises sistêmicas. Apenas uma regulamentação prudente que modere o comportamento comercial pode reduzir essas ineficiências.
Introdução.
O artigo anterior desta série aponta que o objetivo social mais importante dos mercados financeiros é facilitar a movimentação de fundos de (a) detentores que buscam oportunidades de investimento para (b) empresas e governos que precisam colocar capital de investimento para trabalhar em caminhos produtivos e indivíduos que buscam emprestar para suas necessidades atuais. Esta função é referida nesta série como "Intermediação de capital". O artigo descreve os achados de que o custo da Intermediação de Capital aumentou significativamente ao longo dos 35 anos de desregulamentação do mercado financeiro nos Estados Unidos, apesar dos avanços em tecnologia da informação e análise quantitativa que intuitivamente deve ter aumentado a eficiência no processo. Em vez disso, a Intermediação de Capital tornou-se menos eficiente.
Os acadêmicos especulam que este aumento do custo deve ter algo a ver com o aumento maciço da negociação nos mercados de valores mobiliários e commodities durante esse período. Isso está correto, mas incompleto. O volume, por si só, não fez com que a Intermediação de Capital se tornasse mais ineficiente. Em vez disso, tipos específicos de negociação que geram enormes volumes o causaram. Assim, o alto volume de negócios observado inclui - na verdade é dominado por - tipos específicos de negociação que aumentam a ineficiência da Intermediação de Capital e seu custo. O aumento dos volumes nos mercados negociados é em grande parte o resultado de operações de alta velocidade, conduzidas por computador, por grandes bancos e empresas especializadas menores. Este artigo ilustra como esse tipo de negociação (juntamente com outras atividades discutidas em artigos subseqüentes) extrai o valor do processo de Intermediação de Capital tornando-o menos eficiente. Ele também descreve como o valor extraído é um driver de volume ainda maior, criando um loop de feedback perigoso e poderoso.
Atingir o aumento do volume de negociação para as ineficiências contrariar um princípio fundamental dos opositores da indústria à reforma financeira. Afirmam que os encargos nas negociações reduzirão os volumes e prejudicarão o funcionamento eficiente dos mercados.
A posição da indústria de que o aumento do volume reduz o custo da transação é superficial, se não negligente ou intencionalmente errônea. Sua posição é baseada em um silogismo simplista: todo o volume de negócios aumenta a liquidez do mercado, a liquidez do mercado reduz os custos de transação e os custos comerciais reduzidos beneficiam a economia. Mas existem distinções criticamente importantes entre o volume de negociação e os níveis de liquidez do mercado; e a atividade comercial que aumenta o custo da Intermediação de Capital, embora possa reduzir os custos de transação, não necessariamente beneficia a economia em uma base líquida.
Este artigo irá explorar os conceitos de volume e liquidez do mercado, incluindo distinções críticas entre eles. A liquidez beneficia os participantes no mercado. Um mercado é considerado líquido na medida em que existem níveis de compra e venda de juros suficientes para que quem deseja transacionar possa ter a certeza de que ele ou ela pode concluir a transação perto do preço mais recentemente cotado no mercado. Outra maneira de pensar sobre liquidez é que proporciona estabilidade de preços dentro do spread atual entre cotações de preços de compra e venda confiáveis. Previsibilidade e estabilidade estão intimamente relacionados.
A desregulamentação e os avanços tecnológicos aumentaram consideravelmente o volume de negócios. No entanto, este artigo mostrará que grande parte do volume de negociação historicamente elevado de hoje não fornece liquidez do mercado quando os mercados estão sob estresse - ou seja, precisamente no momento em que a liquidez é mais necessária. Pelo contrário, essa grande categoria de volume de negócios se inverte e consome liquidez do mercado em grandes quantidades nesses momentos. A mudança de fornecer liquidez para consumi-lo é imprevisível e, como resultado, ainda mais perturbadora. E essas mudanças ocorrem diariamente.
Além disso, uma parte substancial deste volume é especificamente projetada para subverter a função de descoberta de preço essencial do mercado. A descoberta de preços permite aos participantes do mercado observar os níveis dos preços de mercado em um determinado momento. Em um mercado que funcione bem, os níveis de preços refletem o valor fundamental dos valores mobiliários e derivativos que são negociados com base em informações atualmente disponíveis que são relevantes para o valor fundamental.1 Mesmo quando o mercado não está estressado, as táticas de negociação de alto volume usadas geralmente levam os preços de mercado dos valores fundamentalmente sólidos que os mercados eficientes alcançam. Como resultado, os níveis de preços descobertos pelos participantes do mercado são distorcidos pelas manobras de mercado e são irreflexivos em valores fundamentais, reduzindo a eficiência do mercado.
Finalmente, para evitar essas táticas, muitos participantes do mercado optaram por "Dark Pools" e operações que são internalizadas para corretores / revendedores. Em cada um destes locais de negociação, cotações de preços e pedidos estão escondidos do mercado geral. Estas são alternativas a "Locais Lit", isto é, intercâmbios e locais de correspondência comerciais transparentes nos quais as citações são divulgadas. Isso reduz a transparência dos preços em geral. Apesar de algum trabalho analítico que tenha sido interpretado em contrário, a migração de dados de preços de negociação para Dark Pools e programas de internalização prejudica a descoberta de preços essenciais.
As distorções de preços crônicas não são apenas veículos para comerciantes inteligentes para obter o melhor de participantes do mercado mais lentos e mais fracos. Distorções causadas por liquidez ilusória, táticas comerciais agressivas e negociações não transparentes tornam o mercado pouco confiável. Há ampla evidência de que os principais mercados de valores mobiliários e derivativos nos EUA são amplamente vistos como não confiáveis. Em resposta, os investidores ajustam os preços necessários para induzi-los a implantar seus fundos de modo a fornecer um amortecedor contra a falta de confiabilidade. Isso é um obstáculo para o investimento produtivo em empresas, governos e famílias. É também uma transferência direta de valor dos usuários produtivos do capital (e, finalmente, do público americano) para as instituições financeiras que exploram (e muitas vezes criam antes de explorar) essas distorções de preços.
Volume de Negociação na Era da Desregulamentação.
Em todos os mercados, a atividade comercial aumentou enormemente durante o período de desregulamentação. Os mercados de ações são os mercados de valores mobiliários mais profundos e líquidos. A negociação nos mercados de ações dos EUA atingiu níveis extraordinários. (Veja a Figura 1)
Isso não tem sido devido a novas questões de ações que aumentariam o valor das ações disponíveis para o comércio. O fornecimento de novas ações de emissão tem sido relativamente baixo há anos. (Veja a Figura 2)
É bastante claro que o crescimento do volume de negociação das ações é uma função da negociação algorítmica e de alta freqüência ("HFT"). Esta técnica, desenvolvida ao longo das duas últimas décadas, é amplamente empregada nos mercados. É caracterizada por estratégias de negociação totalmente automatizadas destinadas a lucrar com desequilíbrios de liquidez do mercado ou outras ineficiências de preços de curto prazo. 2 Estima-se que hoje 73% do volume de negociação de ações seja um resultado de negociação algorítmica e de alta freqüência. 3 O HFT mudou as características fundamentais dos mercados. Estima-se que, no final da Segunda Guerra Mundial, o período médio de detenção das ações foi de 4 anos. Na virada do milênio, foram 8 meses. Em 2008, o período médio de detenção diminuiu para 2 meses. E estima-se que, pelo menos para ações negociadas ativamente, tenha diminuído para 22 segundos até 2018. 4 Obviamente, as negociações que aumentaram o mercado aumentaram enormemente.
Embora tenha havido especulações de que a negociação de alta freqüência tenha diminuído recentemente, um estudo de novembro de 2018 financiado pela Commodity Futures Trading Commission, focado no mercado de futuros de ações, um elemento integral do mercado de ações, descobre que a parcela percentual da HFT nesse setor permaneceu constante. 5.
O mercado de títulos também aumentou. De 1996 a 2008, o volume de negociação anual nos mercados obrigacionistas aumentou 3,13 vezes, embora as negociações tenham diminuído em 2009 e 2018 devido aos efeitos da crise financeira nos mercados da Agência Federal e dos Valores Mobiliários Garantidos. No mesmo período, a nova emissão aumentou 2,8 vezes. 6.
O crescimento do volume do mercado de derivativos é ainda mais dramático. A nova questão / comparação comercial é irrelevante neste caso, uma vez que os derivativos não são ativos que são comprados e vendidos. São contratos bilaterais a serem realizados no futuro. (Veja o terceiro artigo desta série para uma análise aprofundada de derivativos.) Uma parte na verdade não compra um derivativo de outra pessoa, como pode ser com ações de ações ou títulos. Toda transação é uma nova posição. O valor nocional pendente de derivativos financeiros (não-commodities) em 1987 foi de US $ 866 bilhões. No início de 2018, o montante era de US $ 466,8 trilhões. 7.
Assim, os volumes em todos os mercados negociados aumentaram dramaticamente durante o período de desregulamentação, enquanto a eficiência da Intermediação de Capital diminuiu. Conforme indicado pelo professor Philippon da NYU, a redução da eficiência da intermediação deve estar relacionada ao comércio incremental de quantidades e suas propriedades. 8.
Conceitos Básicos: Liquidez e Projeção / Solicitação de Spreads.
Contrariamente à Hipótese do Mercado Eficiente, a evidência indica que o aumento do volume de atividade comercial não é um bem universal. Não há dúvida de que uma parte do volume negociado por participantes do mercado puramente financeiro facilita a intermediação eficiente das transferências de capital entre fornecedores e usuários produtivos. Mas, como veremos, nem todo o volume incremental tem esse efeito. Antes de aprofundar esta questão, é necessária uma revisão de algumas propriedades básicas dos mercados comerciais.
O conceito de liquidez do mercado é mal utilizado e abusado quase universalmente pelo setor de serviços financeiros, especialistas e comentaristas. Refere-se à medida em que o início de uma transação de mercado altera o preço da transação que seria esperado com base em cotações de preços recentes que são amplamente conhecidas. Se, por exemplo, um grande número de compradores dispostos estiverem ativos em um mercado a um determinado nível de preço, é mais provável que um vendedor receba o preço atual de uma venda que ele ou ela publica no mercado buscando uma contrapartida de transação. Nessa circunstância, o interesse de compra e venda no mercado é tão grande que a transação provavelmente não excederá o nível de compradores dispostos ou vendedores com o melhor preço confiável disponível.
O pensamento convencional é que uma grande quantidade de transações que ocorrem em um mercado significa que a liquidez da transação é alta eo vendedor tem maior probabilidade de receber o preço mais recentemente oferecido a outros vendedores quando sua oferta publicada para vender coincida com um comprador. Como veremos, isso é extremamente simplista.
Os spreads de lances / pedidos estão relacionados à liquidez do mercado. O preço da oferta é uma oferta para comprar um valor de títulos ou derivativos a um preço declarado. Um preço de venda é uma oferta similar a ser vendida. Os preços de lances e pedidos são publicados em trocas ou outros Locais Lit para que os potenciais participantes no mercado possam ver o custo de aquisição esperado mais confiável ou o preço de venda esperado se eles optarem por negociar. O tamanho da transação do participante em perspectiva é importante na medida em que consome todos os juros de compra ou venda nos níveis de oferta e pedido publicados. Se isso acontecer, o preço será menos favorável do que o indicado pelas melhores cotações, uma vez que os interesses adicionais de compra ou venda terão que ser atraídos para atender a transação.
Um spread de oferta / solicitação descreve o intervalo de preços entre propostas reais de transações recentes, tanto para comprar quanto para vender, em um mercado. (Veja a Figura 3.) Existe uma certeza razoável de que algum montante de títulos pode ser vendido ao preço da oferta e que algum valor pode ser comprado ao preço do pedido, assumindo que as quantidades não excedem os limites de quantidade de licitação ou de oferta lançada. Se um investidor interessado em comprar ações da "AET" olha para esta tela, ele ou ela vê que a última compra e venda foi no preço de US $ 13,01 por ação e que o preço atual é de US $ 13,02 por ação. O investidor também vê que há ofertas para comprar AET, ou lances, em US $ 13,01 por ação, então ele ou ela deveria esperar comprar ações da AET a um preço entre US $ 13,01 e US $ 13,02, a menos que seu pedido seja tão grande que limpe o $ 13.02 pedir cotações e um preço mais alto é necessário para atrair mais vendedores. Nesse caso, a liquidez do mercado era insuficiente para permitir que o investidor adquira as ações ao preço cotado. (Veja a Figura 3)
Os spreads de lances / pedidos são considerados mais restritos em mercados altamente liquidos. A concorrência para lucrar com o spread entre os preços das ofertas e os preços de compra em mercados altamente líquidos é maior. E a revenda / recompra é mais confiável se o comerciante desejar fazê-lo em um momento posterior, que possui um valor significativo que é um componente independente do preço pago ou recebido na execução da transação. Por exemplo, um comprador pagará menos se o mercado estiver ilíquido porque a capacidade de realizar qualquer ganho em um momento posterior é menos certa.
Os spreads de lances / pedidos são uma medida de custo de transação. 9 As instituições financeiras historicamente se envolveram no negócio de citar simultaneamente os preços de oferta e de compra. A instituição financeira irá vender no preço de venda e cobrir imediatamente a venda com uma compra ao preço da oferta. Esta atividade é chamada de mercado, uma estratégia de negociação destinada a capturar o spread entre os dois preços cotados. O fabricante de mercado fornece aos outros participantes do mercado acesso imediato e confiável a uma compra ou venda ao preço inicial no momento da execução. Diz-se que fornece "liquidez".
Conceitualmente, o preço que o mercado "cobra" a um participante no mercado de transações um preço pago em troca de acesso a liquidez (por exemplo, disponibilizando os valores mobiliários a um preço confiável e previsível). É o spread entre os preços de oferta e de venda, ou o lucro que uma instituição financeira ganharia se cobrir imediatamente a compra ou a venda a esses níveis confiáveis. (Veja a Figura 4)
Este não é necessariamente o resultado de uma determinada transação. As compras e as vendas são consumadas dentro e fora dos spreads de preços de oferta / pedido, às vezes porque um participante no mercado procura negociar em quantidades superiores ao nível de compra ou venda nos melhores preços atualmente cotados pelos fabricantes de mercado. No entanto, o spread de oferta / solicitação é o custo cotado geralmente aceito para consumar uma transação em que os participantes do mercado dependem.
Muitos participantes do mercado assumem que os níveis mais elevados de compra e venda de juros reduzem os custos de transação, conforme medido pelos spreads de lance / pedido. Estudos recentes descreveram o efeito de alterar os níveis de volume nos spreads de lances / pedidos, mas é um relacionamento extremamente complexo. 10 É certo que a relação entre o volume e os spreads de lance / pedido está longe de ser linear. Também é claro que os fatores específicos da segurança ou derivativos que estão sendo negociados têm um efeito substancial sobre o relacionamento. Por exemplo, se a economia estiver crescendo, os spreads de oferta / oferta podem ser estreitos para menores títulos de qualidade de crédito. Mas, se a economia é instável e existe um risco aumentado de inadimplência corporativa, os spreads de oferta / percurso para esses títulos podem ser amplos, mesmo que a liquidez disponível seja a mesma. Isso ocorre porque as instituições financeiras que citam os preços de oferta e oferta (ou seja, os fabricantes de mercado, conforme descrito acima) devem cobrar a incerteza de um evento de crédito que intervém no processo de cobrir uma posição.
Existem outros atributos do volume de negócios que afetam tanto o custo das transações quanto o Capital Liquidity. Estes são explorados abaixo.
Volume de negociação e liquidez das transações.
Análise convencional de centros de eficiência de mercado sobre o efeito instantâneo do preço da liquidez em transações individuais, examinando os spreads de lances / pedidos cotados. O termo "liquidez da transação" referirá o volume de negociação que reduz o spread entre os preços de oferta e venda, reduzindo assim os custos de transação. 11.
Alguns tipos de atividade de negociação sempre reduzem os custos de transação devido ao design da atividade. Outros tipos de atividade comercial, por vezes, às vezes reduzem os custos individuais de transação. Em outros momentos, no entanto, esses tipos de atividade têm profundas conseqüências negativas para os custos de transação. Eles quase nunca são neutros. Outra maneira de descrever esse tipo de atividade de negociação é que ele alterna de um lado para o outro, entre fornecer liquidez e consumi-lo. No geral, as conseqüências negativas reais e ameaçadas de mudanças abruptas e imprevisíveis de fornecer liquidez para consumi-lo distorcem o mercado tão profundamente que aumentam significativamente o custo da Intermediação de Capital.
Finalmente, uma terceira categoria de negociação emprega estratégias que visam distorcer os preços do mercado e aproveitar a distorção. Esses tipos de negociação não geram valor a ninguém além do comerciante que persegue a estratégia. Esses tipos de atividade de negociação podem ser neutros em termos de seu efeito nos custos de transação; mas eles sempre aumentam os custos de Intermediação de Capital.
Provedores de liquidez e liquidadores.
Os participantes do mercado que rotineiramente publiquem ofertas confiáveis ​​e significativas para comprar ou vender aos preços em curso são provedores de liquidez. Os participantes do mercado que não rotineiramente publicam esses preços para comprar e / ou vender são compradores de liquidez. Um investidor que entra no mercado de forma intermitente, apenas quando ele ou ela precisa negociar, é um tomador de liquidez óbvio. Esse investidor pode ser referido como um "Investidor de valor".
Em níveis elevados de liquidez do mercado, os preços de compra e venda são confiáveis; e a diferença entre os preços de venda mínimos esperados e os preços de compra máximos esperados - o spread de oferta / solicitação - geralmente é considerado como estreito. Isso ocorre porque a diferença entre esses preços representa o lucro que deve ser recebido por uma classe especial de provedores de liquidez do mercado que estão no mercado apenas para acomodar compradores e vendedores. Esse fornecedor de liquidez é chamado de "Market Maker". Os fabricantes de mercado fornecem ordens de repouso para comprar e vender a preços que correspondem à expectativa de lucro. Os pedidos são "descansando" porque eles estão disponíveis por um período de tempo. Seu modelo de negócios é comprar no preço e vender imediatamente ao preço de venda, aproveitando a diferença.
Ao fazer isso, os Market Makers fornecem certeza ao mercado. Por exemplo, um investidor de valor é assegurado que ele ou ela pode negociar dentro de uma gama de preços conhecidos. Diversos e robustos interesses do Market Maker, competindo para lucrar com a diferença entre o preço a comprar e o preço a vender, tendem a restringir a diferença entre os preços de oferta e de venda (embora outras, forças mais poderosas possam intervir).
Um comerciante que está continuamente no mercado buscando lucrar com estratégias de mercado de curto prazo não precisa ser motivado exclusivamente pela perspectiva de lucrar com a diferença entre os preços atuais de compra e venda, como o Market Maker. Esse tipo de comerciante espera lucrar com informações em sua posse, preditivo de mudanças nos níveis de preços e estratégias de negociação projetadas para extrair o valor dessa informação. Eles lucram com outros participantes do mercado que não possuem essa informação ou os meios para extrair seu valor. Esses participantes do mercado podem ser chamados de "comerciantes de informações".
Um estudo empírico da bolsa de valores de Taiwan conclui que "[e] mostramos que os revendedores não fornecem liquidez ao mercado; Em vez disso, eles trocam informações ".12 Os autores observam que esse comportamento é particularmente proeminente em tempos de estresse. A distinção que está sendo feita é que os comerciantes não são motivados pelo potencial de lucro da Market Making, uma forma pura de intermediação que é um negócio de lucro de baixo risco e estável. Em vez de fornecer liquidez em troca do spread oferta / solicitação, os negociantes no comércio de estudo com a finalidade de assumir posições e lucrar com as mudanças no preço de mercado. Sua estratégia é aproveitar informações superiores. Os comerciantes de informações apenas fornecem liquidez de forma casual (e, como apontado no estudo, de forma desconhecida, especialmente em condições de estresse quando é necessário mais). O estudo é consistente com a visão geral de que a Market Making diminuiu em importância, sendo substituída pela liquidez menos confiável e serendita fornecida por Information Traders. A Market Making tornou-se mais arriscada devido a distorções de mercado persistentes e graves, descritas em detalhes abaixo.
É óbvio que um participante do mercado é um provedor de liquidez apenas se os preços que ele ou ela citar podem ser invocados por outros participantes do mercado, especificamente investidores de valor e aqueles comerciantes de informações que na época agem como tomadores de liquidez. Uma cotação de preço que aparece em uma tela é inútil como fonte de liquidez se não estiver disponível quando chegar a hora de transação. O Information Trader fornece uma liquidez significativa quando os preços citados representam níveis confiáveis ​​e significativos para os participantes que são compradores de liquidez. Às vezes, um comerciante de informações fornece essas citações e, em algum momento, não. Quando está ativo, mas não fornece tais cotações, é um tomador de liquidez.
O quadro a seguir descreve as categorias de participantes do mercado.
Continuamente cotando preços para comprar e vender para lucrar com a Diferença entre os preços de compra citados e os preços de venda.
Às vezes citando preços para comprar ou vender.
Às vezes, fornecedores de liquidez e, por vezes, liquidadores.
No Mercado para Transitar a Preços Indicado pelas Cotações de Fornecedores de Liquidez.
Always Liquidity Takers.
Comerciantes de informações e liquidez.
A diferenciação entre a atividade da Information Trader que fornece liquidez e aquilo que não é fundamental para a compreensão dos mercados. Os comerciantes de informações representam a grande maioria do volume na maioria dos mercados; e são imprevisíveis e, portanto, perturbadores.
A maioria do volume nos mercados negociados é atribuível aos comerciantes da informação. Os estudos acadêmicos dos comportamentos reais do mercado deixam claro que grande parte do volume nos mercados gerados pela Information Traders representa o interesse de compra e venda, na melhor das hipóteses, não confiável e, na pior das hipóteses, um acelerador de grandes movimentos de preços que não estão relacionados ao valor fundamental. Isso é em grande parte resultado da grande velocidade dos comerciantes de informação sofisticados e do tremendo volume de negociação que eles representam. Em muitos mercados, a negociação é dominada por comerciantes de informações que empregam computadores de alta velocidade que entram ofertas para comprar ou vender de acordo com algoritmos predefinidos. Em alguns mercados, isso representa até 73% de toda a atividade. 13 Esta classe de comerciantes de informações é chamada de "comerciantes de alta freqüência" ou "HFTs".
Um algoritmo pode ditar a compra (ou venda) de grandes quantidades de segurança. Mas se uma perturbação ocorre no mercado, o algoritmo muitas vezes inverte o curso da negociação, ditando vendas imediatas e maciças (ou compras), mesmo que a causa subjacente da perturbação fosse um erro óbvio. Isso acontece com bastante freqüência no mundo real, às vezes causando movimentos de preços de mercado maciços com base em informações objetivamente válidas. Tal movimento é chamado de "flash crash" e se tornou um evento de rotina em muitos mercados. (O maior crash instantâneo até a data, ocorrido em 6 de maio de 2018, é discutido detalhadamente abaixo).
Este tipo de volume não fornece liquidez útil. Não é confiável e pode desestabilizar os preços em vez de proporcionar previsibilidade. Pior, o volume do comerciante de informações pode parecer um observador de mercado para se estabilizar, mas se converte instantaneamente e imprevisivelmente em uma força desestabilizadora sob condições de mercado estressadas ou imprevistas. Esta perspectiva está pendurada em um mercado que cria incertezas subjacentes que afetam preços mesmo quando os mercados são estáveis.
A desestabilização dos preços de mercado, como resultado da atividade de comerciante de informações algorítmicas de alta velocidade, tornou-se uma condição crônica. O dano causado aos mercados comerciais foi descrito por Thomas Petterfry, o fundador imensamente bem sucedido da Interactive Brokers, uma corretora de desconto que era um usuário inicial de tecnologia para transacionar nos mercados.
Já não é tanto mais que o público não confia em seus corretores. Eles não confiam nos mercados. E por que eles deveriam, dada a nossa exibição nos últimos anos? Para o público, os mercados financeiros podem parecer cada vez mais um cassino, exceto que o cassino é mais transparente e mais fácil de entender. 14.
Os efeitos mais profundos dizem respeito aos investidores de varejo. Os dados estabelecidos na Figura 5 15 indicam uma mudança maciça no comportamento dos investidores de varejo, representada por influxos em fundos de investimento de capital. Os investidores de varejo historicamente investem mais fortemente à medida que os preços do mercado de ações aumentam. Esse não foi o caso nos últimos anos. Isto está em parte relacionado aos efeitos residuais da crise financeira. Mas é notável que o "Flash Crash" em 2018, a desestabilização mais dramática causada pela negociação de alta freqüência até à data e discutida abaixo em detalhes, coincide com o início das saídas de caixa líquidas, apesar do aumento dos preços das ações. Os investidores de varejo não retornaram, mesmo que o mercado Bull tenha continuado. 16.
Mas os efeitos não se limitam à saída dos investidores de varejo dos mercados. Outros participantes do mercado permanecem nos mercados, mas ajustam suas demandas de preços para compensar a interrupção.
Portanto, o volume do Information Trader nos mercados desregulados às vezes diminui os custos de transação e, em outras ocasiões, o custo da transação dispara. Mas, em todos os casos, ele é projetado para extrair valor bem em excesso do spread de oferta / solicitação para o comerciante que gera o volume. E mesmo quando reduz o custo de uma determinada transação, se não, com base em custo / benefício líquido, tornar a Intermediação de Capital mais eficiente, não possui nenhum benefício social. A evidência discutida abaixo sugere fortemente que os comerciantes de informação algorítmica de alta velocidade extraem muito mais valor do que adicionam, envolvendo o processo de intermediação de capital.
Mecânica da Extração de Valor.
O volume incremental que não se baseia em táticas de negociação manipuladoras pode diminuir os custos individuais de transação, o que promove a eficiência. Mas o benefício social desta função é alcançado apenas na medida em que o custo de financiamento para os consumidores de capital é muito próximo do preço necessário para induzir os fornecedores a se separarem dos seus fundos. Nesse caso, a Intermediação de Capital é mais eficiente. Alguns (mas não todos) negociam a diferença entre as necessidades específicas dos consumidores de capital e os fornecedores de capital em termos de cronograma e outros desajustes, tudo por uma "taxa" determinada pela atividade do mercado. Na medida em que essa taxa é tão baixa quanto possível, esse tipo de negociação constitui uma "liquidez" socialmente valiosa no jargão dos mercados.
The prior article in this series draws a distinction between “Transaction Liquidity,” that reduces the cost of individual transactions, and “Capital Liquidity,” that assures that the spread between the price received by capital suppliers and the cost paid by capital raisers is as low as possible. Above, we discuss volume provided by Information Traders that sometimes constitutes Transaction Liquidity, and sometimes actually consumes liquidity in large and unpredictable amounts. And we identify other trading activity by Information Traders that never provides Transaction Liquidity in return for the value extracted.
This excess volume that never or only intermittently provides Transaction Liquidity, on balance, extracts more value from the capital allocation process than the value it provides to suppliers and consumers of capital. 17 It is an important element of the value extraction from Capital Intermediation discussed in the prior article . (See Figure 6)
Manipulation of Market Infrastructure.
The traded markets rely on a great deal of infrastructure provided by firms that compete for volume. Key among the infrastructure providers are the exchanges and other transaction-matching venues in which buyers are matched with sellers based on mutually agreeable terms, such as product definition ( e. g., Apple common shares), price and quantity. These venues generate their revenues from fees based on volume. Competition is based on attracting volume.
A major criterion for traders choosing among venues is certainty that their desired transaction will be executed. Another way to say the same thing is that hey seek out liquidity. If a venue can attract large volumes from Market Makers and Information Traders, the venue will at least appear to have liquidity that will attract other fee paying customers.
Commencing with the late 1990’s, matching venues started the practice of rebating fees for large volume. Of course, this meant that the lower-volume customers of the venue had to pay more, but at least they had greater certainty of execution. The competition became so intense that in some venues the “rebates” for posting orders to buy and sell became profitable to the traders. HFTs constructed “rebate harvesting” software that was designed to implement high-volume order posting and simultaneous purchases and sales for the sole intent of profiting from the rebates. 18.
Even better for the “liquidity” providers entitled to rebates, venues altered their rules to allow them preferential access to transactions. In effect, they could jump the queue rather than waiting their turn. 19.
Apparent liquidity was a function of orders rather than transactions. Thus the firms that benefited from harvesting rebates placed many orders that they had no desire to turn into transactions. But even if an order were taken up before it was cancelled, the HFT could expect to profit from the bid/ask spreads, and the profit would be even greater since the HFT would not bear the cost of matching fees. For others, the effective transaction cost would increase. The higher than necessary fees meant that the bid/ask spread no longer told the entire story for the common market participant.
Manipulation of rebates and queue jumping distort results from trading. While Value Investors appear to benefit from greater certainty of execution, they must bear the increased cost from the churning of trading activity among Information Traders that never touches them, exemplified in its most extreme form by rebate harvesting. In terms of the efficiency of Capital Intermediation, the rebate system and the rules allowing preferential access to transactions constitute a significant transfer of value to the financial sector.
Layering and Capital Intermediation Inefficiency.
Several studies have examined the phenomenon of layered financial intermediation.20 These studies have made useful observations, but their focus has been on the consequences of layered intermediation related to the immediate trigger of the financial system collapse. The principal structures examined have been from the asset-backed securities markets in which mortgages were originated, sold to large financial institutions and packaged into tranched bond offerings. The bonds were then underwritten and sold to investors, traded and finally used to create derivatives that synthetically expanded exposures. Sometimes the same bank and its affiliates originated the mortgages, assembled and packaged them, underwrote the bonds backed by the mortgages, made markets in the bonds and transacted the derivatives, profiting at each layer. These studies describe persuasively how this layering of intermediation resulted in the replication of both value extraction and risk and its accumulation within layers, all with enormous systemic impact.
The layering of intermediation is far broader than the asset-backed market. It also occurs in less structured and obvious ways. The analyses of the asset-backed market track mortgages through a linear chain of processes and examines costs directly associated with each link in the chain. The layering more broadly applicable to intermediation is less direct. Conceptually, the Capital Intermediation process is subject to the layers of transactions occurring daily in the market situated between the suppliers and consumers of capital.
This is not a structured process in which dollars can be tagged and traced through layers, but is a function of the overall market over time. Investors don’t merely buy securities and passively hold them. They invest in the market price for a given security over time. Further, they periodically replace the security by selling and acquiring another security. Valuation of an investment security and its successive replacements depends on the dynamic market price over time. Investors need to know the price at which they can sell a position, should that be necessary. That represents the current value of the position, referred to as its “marked-to-market” value.
The investor marks the position representing the securities (and their successors if they are replaced) to current market prices daily. Each day, the investor makes the decision to hold the security or to replace it. Therefore when the investor allocates a sum of money to investment, he or she is investing in a series of daily transactions (including the decision to hold the security) that are affected by the changing fundamental value of the security and its successors, but also by the market activities of others that affect daily valuation via non-fundamental forces.
When a business or government issues debt or equity, the price it receives is determined by the expected return required to induce investors to transact. If the expected return is uncertain, the price paid by the investor must be lower to compensate for uncertainty. The return may be uncertain because the business or government is risky from a fundamental value perspective. But it may also be uncertain on a market reliability basis. For example, if the prices generated by the market are unreliable or if the market lacks reliable liquidity for the execution of a transaction at the apparent price, the ongoing value is subject to price risk over and above fundamental value risk.
In the real world, a dollar of investment sometimes passes (somewhat) directly from an investor to a consumer of capital. For instance, this occurs, to some extent, in an initial public offering in which a bank buys the security from the issuer and sells it immediately to a Value Investor who proceeds to hold it. Other securities in the IPO are likely sold to Information Traders who do not put the security away for longer term investment purposes. The layered market profoundly affects even a relatively direct investment by a Value Investor in an IPO. The price of the security is established initially in a marketing process that is subject to distortions cause by HFTs and other Information Traders, among other things. The most widely known and extreme case was the chaotic Facebook IPO in May 2018 in which the NASDAQ exchange was overwhelmed by computer program-driven orders and cancellations.21 The price received by Facebook for its shares was reduced by the chaotic conditions that day and the underwriting banks lost money as well. And subsequent issuers received lower prices because the underwriters feared a recurrence of the chaos.
However, the Value Investors also price-in expected future disruptions in the secondary market for the shares they buy and hold, over and above the value extracted by Information Traders during the IPO process. Assume that there is a “Value Extraction Return Premium” attached to a security. It is set by Value Investors to offset the cost of future market disruption. When a business or government raises money in the market, it pays that premium to the Value Investors (in the form of a higher interest rate or lower share price). But the reason the Value Investors require the Value Extraction Return Premium is that they know they must pay it back to Information Traders over time as a result of unreliable valuation prior to and at the time the position is liquidated or replaced. The Valuation Extraction Return Premium ultimately is paid to Information Traders as they extract value from the market through various market activities.
The best empirical evidence of this is probably the financial sector’s increased share of GDP and profits in the economy as a whole, as described in the first article in this series. No sector of the economy is better suited to benefit from advances in information technology and quantitative analysis. Furthermore, the rise of mutual funds and other aggregated investment funds has increased the scale of investment activities. The financial sector should be able to perform the intermediation function far more efficiently than in the past. On a transaction-by-transaction basis, these advances have resulted in lower transaction spreads as markets have become more liquid and efficient. Thus, the increased share of the economy represented by the financial sector, occurring simultaneously with transaction efficiencies that have had the effect of reducing the share, indicates that a substantial portion of market activity extracts value from the Capital Intermediation process.
In addition, the CFTC-sponsored study on profitability of HFTs demonstrates persistent and substantial profitability for this large element of the trading market even though the risk taken on to earn this profit is very small.22 Consistent profit, in excess of the bid/ask spread, with very little risk means that the HFTs are extracting value based on structural, rather than fundamental, information. There is simply no other way that these conditions could co-exist. The HFTs are reaping the Value Extraction Return Premium that they caused to exist.
Comércio de alta freqüência.
High Frequency Trading has been defined as follows: “HFT refers to fully automated trading strategies with very high trading volume and extremely short holding periods ranging from milliseconds to minutes and possibly hours.”23 At the speed of HFT transaction execution, no human decision-making is possible. The decisions are driven by algorithms that dictate the placement of orders and purchases or sales based on observed market conditions.
Undoubtedly, some algorithmic trading is executed by individuals, but it is an essential element of automated, high frequency trading. Some of the specific tactics embedded in algorithms can only be implemented in the automated execution mode, particularly if they involve multiple bids or offers designed to elicit reactions from other market participants that provide intelligence as to motivations and position size.
A computer driven trading operation enslaved to an algorithm is like a “trader-bot,” intended to act just like a human trader but at high speed. As we shall see, this intent cannot be fulfilled because the flexibility of algorithms is always more limited than a human’s. The entire concept is based on information asymmetry. An HFT system is able to observe and act on patterns in the market faster than others. It may also use its speed to induce behaviors by sending signals that are misinterpreted by market participants. But, in all events, HFT relies on the ability to perceive and accurately assess patterns.
Software, however speedy, is limited in terms of perception. Think of the “CAPTCHA” anti-spam system in which the forms of letters and numbers are altered. A human can interpret the correct symbols. But the slight alterations baffle sophisticated computers. The securities and derivatives trading environment is infinitely more complex than six letters and numbers. Nuanced interpretation is a constant problem for HFT with costly consequences to the economy.
As described above, HFT is pervasive, especially in the equities markets where it has been estimated that it represents 73% of all volume.
HFT is also a powerful device. On August 1, 2018 an employee of Knight Capital accidentally loaded outdated software into Knight’s HFT system (that controlled trading in a proprietary Dark Pool – see below) causing Knight to lose $440 million in 45 minutes. 24.
Clearly, HFT is the dominant form of Information Trader activity and a likely source of value extraction from the Capital Intermediation process.
The inquiry into the “Flash Crash” of May 2018 resulted in a study of market dynamics during that event by Andrei Kirilenko, the Chief Economist of the Commodity Futures Trading Commission, and others. 25 On May 6, 2018, the Dow Jones Average plunged over 1000 points in a matter of minutes (See Figure 7) . This represented approximately $1 trillion of market value. 26 The market soon recovered, but the mayhem caused by the rapid moves was substantial.
The culprit most cited was a mutual fund whose algorithms governing trading tactics (inadvertently, perhaps) triggered a $4 billion sale of stock without regard to price. I happened to be watching CNBC during the episode and a commentator almost immediately said that an error must have sent the algorithms spinning out of control. He was like the human reading the “CAPTCHA” letters and numbers. But like the spam “bots” the HFTs simply sold until there was nothing left to sell because they could not interpret the data that did not fit into pre-programmed patterns.
The Kirilenko Flash Crash study targets the role of algorithmic, high frequency trading as it interacted with the initial aberrant price move caused by the mutual fund. The study contrasts behavior of “HFTs” and “Intermediaries,” as defined therein. Intermediaries, that is to say Market Makers, tended to moderate the price moves because they did not instantaneously exit the markets, dumping inventories on the way out. In contrast, HFTs exacerbated the Flash Crash by reacting to price moves automatically as their systems responded to unusual market moves in ways dictated by algorithms. Eventually, the Market Makers were “run over” by the HFTs in the stampede and did not return to the market until it stabilized for fear of incurring further losses. Dr. Kirilenko has described an “ecosystem of market participants” that interacted through algorithms and high-speed trading systems to create a serious stock market anomaly. 27.
A separate study of the Flash Crash describes “order flow toxicity” as a driving force. 28 Toxicity induces a herding response and becomes a feedback loop. Trades in which liquidity providers continuously lose money eventually kill all liquidity. In this way, HFTs become liquidity consumers. Because most HFT programs are designed to be net flat at the end of the day (the idea is to buy and sell rapidly, not to hold securities or derivatives, especially overnight), panic ensues creating more toxicity and so on.
These two studies demonstrate that there is a great distinction between volume and market liquidity. For example, as the Kirilenko Flash Crash study shows, HFT activity can amplify the price effect of a given market event. Prior to the event, market participants misperceive the volume generated by the algorithmic traders as stabilizing liquidity. However, the systems are rigged to exit the market and dump inventories at the worst possible time, in terms of stability. When the event occurs, the “stabilizing liquidity” converts instantaneously into trading that consumes massive amounts of liquidity. The perceived stabilizing liquidity is an illusion, an even more disruptive circumstance than if the stabilizing liquidity had never existed at all.
The point is made eloquently by Eric Hunsader, the founder of Nanex, a high speed market date feed service.
In summary, HFT algos reduce the value of resting orders [for example, a Market Maker’s orders] and increase the value of how fast orders can be placed and cancelled. This results in the illusion of liquidity. We can’t understand why this is allowed to continue, because at the core, it is pure manipulation. 29.
The statement was made in an article referencing a specific algorithm known as “the Disruptor” that is specifically intended to disrupt the stabilizing order behavior of a liquidity provider.
The 2018 Flash Crash was a dramatic example of events that occur daily in the markets. Mini-flash crashes distort markets repeatedly, causing prices to be unreliable and volatile. This has been validated by a recent study that finds that high frequency trading is positively correlated with stock price volatility after controlling for fundamental volatility and other exogenous determinants. 30 That is to say that all volatility caused by factors other than the HFT activity is filtered out and a strong correlation between HFT activity and the remaining volatility is found and recurs frequently in each trading day. The study identifies intra-day volatility that is actually a series of mini-flash crashes.
But what about the time periods in which HFTs are not exiting the marketplace precipitously. It is notable that a number of studies have concluded that high frequency trading provides benefits. 31 However, these focus on the narrowing of bid/ask transaction spreads that are a consequence of increased volume. They identify the value of Transaction Liquidity. This is a reasonable conclusion, if the focus is narrowed to that level (though incomplete given the Kirilenko Flash Crash study).
The recent study of HFT trading profits sponsored by the CFTC reaches a very different conclusion. 32 Using data from the equities futures market, a key sector of HFT equities trading, the study finds that the level of trading profits from HFT is extraordinarily high in relation to the risk taken to achieve these profits and that the profit levels are persistent. It finds that the profits are generated from other market participants over periods of seconds or minutes. Higher levels of profit are generated from smaller Value Investors, Market Makers and Information Traders than from larger institutional investors.
These findings persuasively suggest that HFT does not merely provide liquidity to the market, but rather extracts value well beyond the value of liquidity provided. Importantly, since the profitability of HFT is disproportionate to the risk being taken, HFT is an opportunistic activity whose presence in the market is primarily extractive.
Another study focuses on the effect on the narrower class denoted “liquidity traders,” who are merely intending to make investments.33 These traders are referred to herein as Value Investors. It also discusses the effect on HFT on “professional traders,” referred to herein as Market Makers and Information Traders whose activities establish bid/ask spreads. The study characterizes the basic purpose of HFT as the use of speed to insert the HFT trader in between Value Investors and Market Makers. The idea is to buy from (or sell to) a Value Investor and instantaneously sell to (or buy from) a Market Maker. The conclusions of this study are described as follows:
We analyze the impact of high frequency trading in financial markets based on a model with three types of traders: liquidity traders (LTs), professional traders (PTs), and high frequency traders (HFTs). Our four main findings are: i) The price impact of liquidity trades is higher in the presence of the HFTs and is increasing with the size of the trade. In particular, we show that HFTs reduce (increase) the prices that LTs receive when selling (buying) their equity holdings. ii) Although PTs lose revenue in every trade intermediated by HFTs, they are compensated with a higher liquidity discount in the market price. iii) HF trading increases the microstructure noise of prices. iv) The volume of trades increases as the HFTs intermediate trades between the LTs and PTs. This additional volume is a consequence of trades which are carefully tailored for surplus extraction and are neither driven by fundamentals nor is it noise trading. In equilibrium, HF trading and PTs coexist as competition drives down the profits for new HFTs while the presence of HFTs does not drive out traditional PTs.
In other words, bid/ask spreads are not widened, but absolute price levels are altered to the detriment of the Value Investors, especially large institutional investors that transact large positions. Since Value Investors make their decision to invest based on return on funds invested, prices must adjust to compensate for the lost value. In normal market conditions, Market Makers and liquidity providing Information Investors are unaffected. (It should be noted, however, as seen in the Kirilenko Flash Crash study, volatility caused by HFTs ultimately drives out Market Makers.) The other studies finding HFT to be benign may not be wrong except that they measure only the bid/ask spreads, not the overall cost to Value Investors of HFT.
Pro-Active Algorithmic Strategies.
An analysis of the algorithms often used by Information Traders provides further insight into the phenomenon of value extraction. Trading algorithms are, of course, constructed by individuals. They reflect strategies that an individual trader could rationally pursue for profit. As a result, a known algorithmic tactic provides insight into broader market behavior.
Algorithmic trading is not limited to passive monitoring of market moves, the activity described in the Flash Crash studies. Some algorithmic strategies are far more aggressive. The algorithms are proprietary so there is no way to judge how many are aggressive and how aggressive they are. Nonetheless, aggressive tactics can be used to secure certain profits. It is safe to assume that their use is widespread.
The best indication of the level of aggressive algorithmic strategies is provided in a study of the practice of “Quote Stuffing.”34 This is a tactic in which HFTs flood an exchange or other transaction-matching venue with quotes to buy or sell in order to slow down the venue’s processing times. HFTs do this so that aggressive tactics can be implemented without intervention from other traders. They also employ Quote Stuffing to slow down one exchange so that price differences between that exchange and another that is operating normally can be exploited. 35 Therefore, when quote stuffing occurs, it is highly likely that an aggressive tactic is underway. The study reaches the following conclusion:
We find that quote stuffing is pervasive with several hundred events occurring each trading day and it impacts over 74% of US listed equities. Our results suggest that, in periods of intense quoting activity, stocks experience decreased liquidity, higher trading costs and increased short term volatility.
Quote stuffing operations have been estimated to “consume 97% of computer system resources that the whole market has to bear.”36.
Therefore, aggressive algorithmic programs powered by high speed technology are constantly deployed to extract value from the markets using tactical trading that is implemented in milliseconds.
Trading tactics are dictated by information. Some information is in the form of earnings reports, crop yields, political events and similar data. These types of information are directly related to the fundamental value of businesses and assets and are used to adjust the price of securities and derivatives to objectively sound levels. (As discussed above, fundamental value refers to the intrinsic value of a stock, bond or derivative based on available information.37) It has long been known that asymmetrical distribution of information that is directly relevant to fundamental value can distort the intermediation function of the markets. 38.
Another type of information relates to non-fundamental motivations that are predictive of market behavior by individual participants in a market. Tactics based on this type of information are driven by the expected short-term behavior of other market participants based on specific stimuli, not based on generally available information on supply and demand and company data. If, for example, a trader knows that a buyer who is relatively insensitive to price is currently in the market, he or she can corner the market for the specific category of securities sought by the buyer and exploit this price insensitivity.
This type of asymmetry can affect prices broadly as well as securing profit for an algorithmic trader in a single set of trades. This happens when the trading provides misleading signals as to fundamental value. The signals are generally not intentional; rather they arise from the perceptions others in the market have when they see the trades executed by an algorithmic trader using aggressive tactics.
Here is how it works: There is an assumption that trading is motivated by views on fundamental value. Traders must operate under this assumption to protect themselves from unforeseen large price moves based on fundamental value information. As a result, a reported trade will be interpreted as a statement about the buyer’s or seller’s perception of fundamental value, at least until other information contradicts this assumption. A trader with a view as to fundamental value will be forced to question his or her view when he or she sees a trade that is not in line with his or her perception of fundamental value. Trading behavior based on non-fundamental information is indistinguishable from trading based on fundamental information to other market participants (unless the trader is using software designed to detect an HFT tactic, which sometimes happens). Trading against the non-fundamental trader entails risks that he or she has superior fundamental information, and since no trader can afford infinite losses, the fundamental trader will, at a minimum, change his or her price of indifference or perhaps exit the market. 39.
Trading algorithms typically rely on non-fundamental forms of information that are pertinent for only a short period of time (in contrast with fundamental information, which has a longer “shelf-life.”). This information can represent short-term profit opportunities for a nimble high frequency trader, especially if it is a well-capitalized bank. Aggressive strategies target individual market participants (and sometimes individual exchanges or other trading venues) rather than seeking profit from overall market information.
This is completely consistent with the Zhang study, described above in the context of the correlation between HFT and volatility. The other primary finding in the study is described as follows: “”I find that high-frequency trading is negatively related to the market’s ability to incorporate information about firm fundamentals into asset prices. Stock prices tend to overreact to fundamental news when high-frequency trading is at high volume.” 40.
Hunting Whales.
A classic aggressive strategy involves hunting and trapping “whales.” It is a good example of aggressive HFT strategy.
It is initiated by a “pinging” operation. This involves placing multiple orders designed to detect the presence of a market participant with a large position that it is in the process of accumulating or liquidating. “High frequency traders employ pattern recognition software to detect large institutional orders sitting in dark pools or other liquidity venues.” 41 When it pings, the algorithmic trader places orders to buy and/or sell in an array of prices inside the bid/ask spread. If the potential target market participant starts walking through the orders, it becomes clear that a large position is in play that could consume all of the liquidity on one side of the market (bid or ask). Traders sometimes refer to the potential target as a “whale.” Often, a whale intends to buy or sell a large block for structural reasons and is relatively less sensitive to price than other buyers and sellers. If the trader’s order strategy reveals price insensitivity, the whale becomes a target.
For example, an investment fund might have experienced large redemptions from its investors that require liquidation of investments under the terms of the fund. The fund is compelled to sell promptly and is relatively insensitive to price. It is a properly motivated whale.
Once a whale is sighted and its price insensitivity is confirmed, it becomes clear that dominating the other side of the market will give the algorithmic trader control of the bid/ask pricing mechanism. In our example, the algorithmic trader would meet the offers of all of the bidders for the shares that the whale seeks to sell, becoming the sole and dominant purchaser in the marketplace. The algorithmic trader establishes a narrow band of absolute market power controlling the particular securities or derivatives that the whale seeks to buy or sell. The whale will be compelled to either abandon the market or transact at the price demanded by the algorithmic trader.
In an instant, the algorithmic trader cancels all “pinging” orders and buys the market in order to extract as much value as possible. It will also likely flood the trading venue with orders to create congestion and slow other market participants who are also watching and might intervene. The whale must transact at the price required by the algorithmic trader to accumulate or liquidate the position, as appropriate. When the transaction with the whale is accomplished, the quote stuffing orders are all cancelled.
In the final step, the algorithmic trader liquidates the position acquired from the whale immediately, but at a new bid/ask spread reestablished at market levels that are more competitive. The algorithmic trader intends that its profit from moving the bid/ask spread to take advantage of the whale’s price insensitive motivation will exceed the potential loss from the operation if the whale detects that it is being taken advantage of. For this reason, the strategy is most useful if all of the steps can be executed quickly, before detection is possible.
By displacing the entire side of a bid/ask spread, the HFT eliminates all meaningful depth of buying or selling interest for a short time period. As a result, the observed spread in the market is meaningless. Various studies that examine the narrowing of bid ask spreads in the modern marketplace miss the crucial point that HFT tactics like the one described are missing the point that the narrowing is an illusion. 42 If the study draws the conclusion that HFT narrows spreads, it is simply misleading.
This is only one type of aggressive trading strategy among many that are more elaborate. However, it is a clear example of an activity that is designed to extract value from the daily, routine functioning of a securities or derivatives market. It provides no value to the intermediation between the suppliers of capital and consumers of capital.
Thus, for purposes of efficient Capital Intermediation, the question of execution at a narrow bid/ask spread is by no means the entire story. The far more important issue is the mid-market price level around which the bid and ask prices are spread. This mid-market price point has the appearance of the true fundamental price. When prices shift, it is impossible to determine if it is because of fundamental information or because of trading strategies based on non-fundamental market information. Market participants are biased to assume that it must indicate a change in the market view of fundamental value in order to avoid risk. Perceptions are altered to the detriment of Value Investors and Information Traders that are out of the information loop and these perceptions are unfounded, in terms of fundamental information.
Trading that alters that fundamental price level extracts profit without enhancing broad productivity. In this way it extracts value from the Capital Intermediation system and does not constitute Capital Liquidity.
Although high frequency and algorithmic trading are powerful forces in many markets, their influence varies. However, this form of trading provides insights into the types of trading activities that are used, with varying degrees of automation, to extract value from the Capital Intermediation process making it less efficient. Nothing is more automated and efficient than HFT. Firms spend millions of dollars to move servers closer to the servers of exchanges, simply to reduce transaction execution times by nanoseconds. 43 This efficiency brings great value to the HFTs. Yet, despite this efficiency, HFT adds to the cost of Capital Intermediation.
This specific example of value extraction using an HFT strategy described above is the tip of the iceberg in terms of the variety of trading strategies. This article is not intended to catalogue trading tactics, but to demonstrate that value extraction must be occurring. Because HFT algorithms are proprietary, there is no way to estimate the overall value extracted by the practice. Nonetheless, algorithmic trading is widely practiced by many types. The extracted value must be very large.
Dark Pools and Internalization.
One measure of the value extracted by algorithmic and high frequency trading is the length to which market participants that might be the targets of their tactics go to avoid them. Many HFT tactics are designed to function in exchange environments and in other Lit Venues. Bid/ask spreads and transaction prices are made available so that the HFTs have information sources to mine and interpret. In order to protect themselves from predatory HFTs, many institutional investors employ algorithmic tactics operating at high speeds as countermeasures. They also sometimes hide from the stalking predators. The places they hide are called Dark Pools. These are environments, often operated by large banks, in which bids and offers are “matched” when their prices cross based on programs that drive the Dark Pool. It was originally assumed, therefore, that no predatory HFT can “see” the market participant’s activities before the trade he or she wishes to transact is consummated. 44.
Institutional investors are often the targets of HFTs. They transact in large blocks that can challenge available liquidity on any trading venue. Investment funds are also required to buy or sell positions according to time constraints because of rules governing the management of the investors’ money. Institutional investors can be less driven by price than by the need to buy or sell large positions because of these factors.
The use of Dark Pools involves a trade-off. While the investor is less susceptible to aggressive gaming tactics of HFTs, he or she has no information on the buying and selling interest inside the Dark Pool. There is no visible bid/ask spread in the Dark Pool. The investor has little relevant information on the depth of buyer or seller interest at a given price. The trade-off for a more secure trading environment is that the prospect of actually completing a transaction at a given price is uncertain.
Lit Venues are trading venues in which information about bids and offers is freely available. It is this information that is used by HFTs to first detect large institutional investors, or whales, and then to distribute market information synthesized as by HFT algorithmic tactics to extract value from whales.
Dark Pools became popular in the last few years because the information flows are limited. The trading rules for the venue simply provide less data so that detection of whales is more difficult. There are three categories of Dark Pools: 45.
Category 1 – The Dark Pools match trades at current prices derived from Lit Venues. For example, a Dark Pool might allow a participant to enter an order at the National Best Bid and Offer price, which is derived by a survey of multiple venues for the best price. There is no assurance for the participant that the Dark Pool has sufficient matching interest to fulfill the order, either fully or in part. Category 2 – The Dark Pools act as an undisclosed limit order book, meaning the participant places an order to buy or sell up to a quantity at a determinable price. That price is midpoint price of the market that the Dark Pool represents. For example, a participant can place an order to buy up to 1,000 shares of Company X at the bid/ask midpoint up to a price limit stated in the order. The price then moves as the bid/ask prices move around until the order is fulfilled or cancelled. Often, in Category 2 Dark Pools, the sponsor of the pool can participate as a proprietary trader in the pool. These types of Dark Pools are operated by Goldman, Citi, Morgan Stanley, UBS and Credit Suisse, for instance. Category 3 – The Dark Pool is an electronic market maker with the sponsor acting as the market maker. If a participant uses the Dark Pool, it takes the price provided by the sponsor. This is the type of Dark Pool sponsored by Knight Capital, mentioned above. Since the sponsor represents the sole market maker, it is clear how loading outdated software could cost half a billion dollars within a few minutes as occurred with Knight.
The first cousin of Dark Pools is a less formal practice by large broker-dealers known as “internalization.” A customer gives the order to a broker-dealer who matches it with another customer or set of customers. In terms of result, it is similar to the third category of Dark Pool.
As described above, the principal cost of using a Dark Pool or internalization is that the participant placing the order is much less certain that its order will be fulfilled than if it uses a Lit Venue which informs him or her of the depth of the market. For more price-volatile securities, the risk of non-fulfillment is higher because of the velocity and amplitude of price movements.46 Therefore, they are more popular for less volatile securities.
When transactions are matched in Dark Pools or via internalization, the price and quantity data are not disseminated in the markets. This is a concern because data of this type are important to “price discovery” – the ability of market participants to process trading activity data in order to form an opinion regarding market price. It has been estimated that about one-third of equities trading now takes place in Dark Pools or via internalization. 47 The information generated by trading in Lit Venues is therefore materially incomplete.
Ironically, Dark Pools have now become a haven for HFTs. At first, HFTs deployed ever more sophisticated pattern recognition software to Dark Pools to detect whales and similar market participants despite the cloaking afforded by the venues. Now, Dark Pools are popular because they are out of the sight of regulators and because their complex cross matching algorithms can be gamed (or, even worse, the Dark Pool sponsors use them to give preference to HFTs that generate large volumes). Institutional investors use the Dark Pools to get access to the volumes of trading. If true, this decrease in transparency damages the integrity of the market.
This is a very practical concern. Since the Flash Crash in May 2018, individual investors, mostly acting through investment funds, have departed the equity markets in large droves. It is widely believed that this exodus has been motivated by the declining integrity of the market as a result of HFT activity, exacerbated by the rise of Dark Pools. 48.
A recent study comes to a completely different conclusion. 49 The study models behavior of types of market participants who might use a Dark Pool or a Lit Venue. The algorithms employed in the study are depictions of a logical foundation that would govern behavior in the environment constructed by the author. In the author’s synthesized world, informed market participants are more likely to use a Lit Venue because they avoid the risk of non-execution and the potential cost of being subject to price tactics is low since they are highly informed. Therefore, Dark Pools are used more by low-information market participants, whom he refers to as “liquidity traders.” The price discovery afforded by the Lit Venue is a better quality because the participants are, on average, better informed.
The concern with the study is that its foundation is an assumption as to the motivation of the two types of traders.
My inquiry into dark pools builds in a simple model of strategic venue selection by informed and liquidity traders. Informed traders hope to profit from proprietary information regarding the value of the traded asset, whereas liquidity traders wish to meet their idiosyncratic liquidity needs. [Emphasis added.]
To the author, it is the information on which the informed traders act that causes their trades to provide a purer form of price discovery. The study fails to consider that the informed traders are very likely to be acting on non-fundamental information, analyzing data to discover the precise short-term motivations of other market participants. The informed trader might then use market-price manipulative tactics to exploit these motivations. This is not activity based on the “value” of the traded asset in any meaningful sense. It is exploiting idiosyncratic motivations behind transactions that have nothing to do with fundamental value. In this sense, Dark Pools and internalization concentrate the manipulative behavior embedded in aggressive HFT tactics in the Lit Venues.
Contrary to the Zhu study, logic suggests strongly that Dark Pools and internalization are detrimental to price discovery. The Zhu study’s reliance on elaborate gaming based on fundamental flawed assumptions is unlikely to be appreciated by policy makers. The elegant quantitative analysis it uses is seductive to less critical audiences, particularly those who may be susceptible to the influence of the financial services lobbyists. It is a particularly dangerous reference piece unless it is countered by others from the academic community.
Conclusão.
The increasing inefficiency of the Capital Intermediation process is in part attributable to the trading practices of HFTs, which generate high trading volume and no investment. The cost to the system is generated by several factors. First, the illusion of market liquidity provided by HFT volume leads to the inherent instability of market pricing mechanisms. In addition, aggressive HFT tactics mislead market participants in terms fundamental price. Finally, Dark Pools, trading venues that exist because of HFTs, impair price discovery.
All of these distortions extract value for the HFTs. Investors pay the cost initially because their investments are less valuable in conditions of chronic price distortion. However, investors must compensate for the additional cost that results from the extracted value by adjustment of price. This price adjustment is paid for by the consumers of capital. Thus, the Capital Intermediation process is made more costly and inefficient.
Fundamental value refers to the intrinsic value of a stock, bond or derivative based on available information. In the context of a share of stock: “Fundamental analysis entails the use of information in current and past financial statements, in conjunction with industry and macroeconomic data to arrive at a firm’s intrinsic value.” Kothari, S., “Capital Markets Research in Accounting,” Massachusetts Institute of Technology – Sloan School of Management, March 2001 available at papers. ssrn/sol3/papers. cfm? abstract_id=235798. Golub, A., “Overview of High Frequency Trading,” European Community Seventh Framework Program, April 2018, available at https://fp7.portals. mbs. ac. uk/Portals/59/docs/MC%20deliverables/WP27%20A. . Iati, R., “High Frequency Trading Technology,” The Tabb Group, 2009, available at tabbgroup/PublicationDetail. aspx? PublicationID=498. Mr. Patterson based the 22 second estimate on an interview of Professor Michael Hudson of the University of Missouri at Kansas City (available at therealnews/t2/index. php? option=com_content&task=view&id=. ). The author spoke with Professor Hudson regarding this estimate. He reported that he had been told by a number of trading professionals that this was the case. He then examined data from the New York Stock Exchange and the Chicago Mercantile Exchange and compared shares of actively traded stock outstanding with activity in those shares on the exchanges. He concluded that the data were consistent with and reinforced the 22 second estimate. Baron, M., Brogaard, J. and Kirilenko, A,. “The Trading Profits of High Frequency Traders,” November 2018, available at conference. nber/confer/2018/MMf12/summary. html. SIFMA, US Bond Markets Average Daily Trading Volume and Issuance in the US Bond Markets, available at sifma/research/statistics. aspx. International Swaps and Derivatives Association, Over the Counter Derivatives Data Sources, available at isda/statistics/pdf/ISDA-Market-Survey-historical-data. pdf. Philippon, T., “Has the U. S. Finance Industry Become Less Efficient,” May 2018, available at pages. stern. nyu. edu/
tphilipp/research. htm. More precisely, it is the base cost of a transaction. As one might expect, customers are charged any number of fees by broker/dealers as “add-ons” for specific services provided. Jens Dick-Nielsen, Peter Feldhutter, and David Lando, “Corporate Bond Liquidity Before and after the Onset of the Subprime Crisis,” May 31, 2018, available at papers. ssrn/sol3/papers. cfm? abstract_id=1364635 Many securities and derivatives trade without market based bid/ask spreads. However, the counterparty is typically a sophisticated financial institution that prices the instrument, often on a disaggregated basis and often based on modeled bid/ask spreads based on price correlated liquid instruments. Leaving aside the prudency of engaging in such a business, the underlying principles are the same. Chae, J., and Wang, A., “Who Makes Markets? Do Dealers Provide or Take Liquidity?,” August 2003 p30 available at papers. ssrn/so13/papers. cfm? abstract id=1364635. “High Frequency Trading Technology: A Tabb Anthology,” Tabb Group, 2009, available at tabbgroup/PublicationDetail. aspx? PublicationID=505&MenuID=13&Par. . Patterson, S., “Dark Pools,” 2018, at page 293 Investment Company Institute, “2018 Investment Company Fact Book,” available at ici/pdf/2018_factbook. pdf. Popper, N., “Stock Trading Is Still Falling After ’08 Crisis.” New York Times, May 6,2018, available at nytimes/2018/05/07/business/stock-trading-remains-in-a-sl. . Excess volume is different from “excess liquidity” which refers to availability of cheap money, as a result of accommodative monetary policy. See Ruffa, R., and Stracca, L., ”What is Global Excess Liquidity and does it Matter?” November 2006, available at ssrn/abstract_id=942737. Excess liquidity can induce greater trading volumes, however. Federspiel, F,, and Berkely, A., “High Frequency Trading and the Evolution of Liquidity in US Equity Markets,” August 2009, available at advancedtrading/exchanges/high-frequency-trading-and-the-. . Patterson at page 159. Hyun Son Shin, “Financial Intermediation and the Post Crisis Financial System,” June 4. 2009; Tobias Adrian and Hyun So Shin, “The Changing Nature of Financial Intermediation and the Financial Crisis of 2007-2009,” Federal Reserve Bank of New York Staff Report, March 2018. Demos, T., “NASDAQ ‘Embarrassed’ Over Facebook IPO,” Financial Times, May 20, 2018, available at ft/intl/cms/s/0/83fc3c2a-a2bb-11e1-826a-00144feabdc0.html. . Baron, M., Brogaard, J. and Kirilenko, A,. “The Trading Profits of High Frequency Traders.” Zhang, F., “High Frequency Trading, Stock Volatility, and Price Discovery,” December 2018, available at papers. ssrn/sol3/papers. cfm? abstract_id=1691679. Jarzemsky, M and Russolillo, S., “’Knight’ mare Triggered Volume Plunge at Knight Capital Dark Pool,” Wall Street Journal, September 25,2018, available at blogs. wsj/marketbeat/2018/09/25/knightmare-triggered-volume-p. . A. Kirilenko, A. Kyle, M. Samadi and T. Tuzun, “The Flash Crash: The Impact of High Frequency Trading on an Electronic Market,” May 2018 available at papers. ssrn/sol3/papers. cfm? abstract_id=1686004. Easley, D., Lopez de Prado, M. and O’Hara, M., “The Microstructure of the ‘Flash Crash,’” The Journal of Portfolio Management, Vol. 37, November 2018, available at papers. ssrn/sol3/papers. cfm? abstract_id=1695041. Presentation of Dr. Andrei Kirilenko, Commodity Futures Trading Commission Technical Advisory Committee Roundtable, October 12, 2018. Easley, D., Lopez de Prado, M. and O’Hara, M., “The Microstructure of the ‘Flash Crash,’” November 2018, available at papers. ssrn/sol3/papers. cfm? abstract_id=1695041. Hunsader, E, “Enough Already!” August 8,2018 available at nanex/Research/EMini2/EMini2.html. Zhang, 2018. See, for example , Hendershott, T., and Menkveld, A., 2018, Price Pressures, WFA 2018 Paper; Hendershott, T., and Riordan, R., 2009, Algorithmic Trading and Information, Working Paper. Baron, Brogaard and Kirilenko, “The Trading Profits of High Frequency Traders.” Cartea, A. and Penalva, J., “Where is the Value in High Frequency Trading?,” December 2018, available at papers. ssrn/sol3/papers. cfm? abstract_id=1712765. Egginton, J., Van Ness, B. and Van Ness, R., “Quote Stuffing,” March 2018, available at papers. ssrn/sol3/papers. cfm? abstract_id=1958281. Tactics that exploit the price differences between trading venues caused by differing data processing speeds is called “latency arbitrage,” revering to latent information anomalies. Identidade. Gai, J., Yao, C., and Ye, M., “The Externalities of High-Frequency Trading,” August 2018, available at papers. ssrn/sol3/papers. cfm? abstract_id=2066839. Kothari, S., “Capital Markets Research in Accounting.” Leyland, H and Pyle, D., “Informational Asymmetries, Financial Structure, and Financial Intermediation,” The Journal of Finance, May 1977. See Bloomfield, R., O’Hara, M. and Saar, G., “How Noise Trading Affects Markets: An Experimental Analysis,” May 2007, available at rfs. oxfordjournals/content/22/6/2275.abstract. Zhang, 2018. Zhang, 2018. Patterson at pages 283-4. Cyrus Sanati, “Sorry, SEC, Fast Trading on Wall Street is Here to Stay,” Fortune, February 28, 2018, available at finance. fortune. cnn/2018/02/28/high-frequency-trading-sec/ That does not mean that the activities go undetected. HFTs routinely deploy their pattern recognition software to ferret out large Value Investor activity in Dark Pools. Zhang, 2018. Zhu, H., “Do Dark Pools Harm Price discovery?” July 2018 available at mit. edu/
zhuh/Zhu_darkpool. pdf. Ye, M., “Non-Execution and Market Share of Crossing Networks,” November 2018. Tabb, Larry, Morgan, Cheyenne, The Tabb Group, “Tales from the Dark Side: Out of Sight but Very Much in Mind,” April 9, 2018. Neiderbauer, D., (CEO OF NYSE Euronext), “It’s Time to Bring Dark Pools into the Daylight,” Financial Times, July 4, 2018. Zhu, Haoziang, “Do Dark Pools Harm Price Discovery?” July 2018.
Sign up for our emails to stay updated on what we're doing and how you can help.
Supplemental Materials.
Publicações relacionadas.
Related News and Multimedia.
Related Issues.
Links de rodapé.
[ 80 Broad Street, 4th Flr. New York, NY 10004 | 212.633.1405 ]