استراتژی سفارش‌گذاری: تقابل واکنش بازار و ریسک اجرای معاملات

نوع مقاله : مقاله علمی پژوهشی

نویسندگان

1 استادیار گروه مهندسی مالی، دانشکده مهندسی صنایع، دانشگاه تربیت مدرس، تهران، ایران

2 دانشجوی کارشناسی ارشد دانشکده علوم مالی، دانشگاه خوارزمی، تهران، ایران

3 کارشناسی ارشد دانشکده مهندسی صنایع و سیستم ها، دانشگاه تربیت مدرس، تهران، ایران

چکیده

هدف: بازار بورس ایران در سال‌های گذشته تغییراتی در آن اعمال شده و در انتظار تغییرات جدی‌تر است. در این پژوهش یک مدل بهینه سفارش‌گذاری با رویکرد ریزساختار بازار ارائه شده که در ساخت بازار مصنوعی استفاده شده و در انتها عملکرد آن مورد بررسی قرار گرفته است.
روش: با کمک شبیه سازی بازار می‌توان به مواردی همچون تنظیم بازار و بررسی عملکرد استراتژی‌های معاملاتی پرداخت. اما برای کشف قیمت تابلوی ثبت سفارش سهام از شبیه‌سازی عامل‌گرا (agent-based) استفاده کرده‌ایم که الگوریتم تصمیم‌گیری آن شامل انتخاب نوع سفارش (خرید یا فروش)، انتخاب نوع اقدام معامله‌گران (ثبت سفارش جدید یا لغو سفارش در صف)، انتخاب استراتژی معاملاتی و انتخاب قیمت بهینه‌ی سفارش - برای یکی از عامل‌ها (agent) - است. از آنجاکه یکی از چالش‌های مهم سرمایه‌گذاران، یافتن قیمت بهینه‌ی سفارش‌گذاری است، در این پژوهش به این موضوع پرداخته شده است و سعی شده بازار بورس تهران به گونه‌ای شبیه‌سازی شود تا تغییرات ریزساختار بازار را مطالعه کند.
یافته‎ها: داده‌های پژوهش شامل داده‌های درون-روزی تابلوی ثبت سفارش سهم فولاد مبارکه اصفهان در 5 سطح و برای ۷۱ روز معاملاتی است. در سیستم شبیه‌سازی پژوهش، با بررسی داده‌های تاریخی سهم فولاد مبارکه اصفهان، رفتار معاملاتی عامل‌ها استخراج شده است. همچنین با توجه به بحث ریزساختار بازار، تقابل بین ریسک اجرای معاملات و کنترل واکنش بازار به عنوان یک هزینه معاملاتی، مدل‌سازی شده است. بازار برای مدت 30 روز شبیه‌سازی شده و نتایج حاکی از آن است که استراتژی سفارش‌گذاری بهینه شده، از لحاظ میانگین قیمت خرید سهم، میانگین زمان انتظار برای اجرای معامله هر سهم و میانگین حجم معامله شده از سفارش، در مقایسه با سایر استراتژی‌های مورد بررسی در بازار عملکرد بهتری داشته است.
نتیجهگیری: نتایج این پژوهش نشان می‌دهد به‌کارگیری ریسک اجرایی شدن سفارش و هزینه معاملاتی بطور هم‌زمان در استراتژی سفارش‌گذاری، عملکرد بهتری نسبت به استراتژی‌های مبتنی بر درجه‌ی تهاجمی بودن معامله‌گران بازار دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Order Placement Strategy: Trade-off between Market Impact and Non-Execution Risk

نویسندگان [English]

  • Mohammad Ali Rastegar 1
  • Farideh Teimoory 2
  • Behnam Bagherian 3
1 Assistant Prof., Faculty of Industrial Engineering, Tarbiat Modares University, Tehran, Iran
2 M.Sc. student of Finance, Faculty of Financial Sciences, Kharazmi University, Tehran, Iran
3 M.Sc. of Finance, Faculty of Industrial Engineering, Tarbiat Modares University, Tehran, Iran
چکیده [English]

Objective: This contribution proposes an order placement strategy which can be run on simulating continuous financial markets, within an agent-based model framework.
Methods: In order to improve the efficiency of price discovery, the order placement decision is given by an optimization model which minimizes the risk adjusted execution cost, taking into consideration relevant market microstructure factors such as market impact. The trading behavior of the agents has been extracted from intraday LOB data of Foulad Stock in Tehran Stock Exchange.
Results: The market has been simulated for 30 days and the results indicated that the optimized ordering strategy, in terms of the average purchase price of the share, the average waiting time for the transaction of each share and the average volume of the order traded, had better performance in comparison to other strategies examined.
Conclusion: We can claim that taking into consideration both non-execution risk and execution cost could raise the performance in comparison to other strategies based on the aggressive level of the traders.

کلیدواژه‌ها [English]

  • Order Placement Strategy
  • Market Microstructure
  • Agent-based Simulation
  • Algorithmic Trading
رستگار، م.، ساعدی‌فر، خ. (۱۳۹6). استراتژی بهینة اجرای معاملات بزرگ با رویکرد شبیه‌سازی عامل‌گرا. مجله تحقیقات مالی، 19 (2)، 239-362.
پویان‌فر، ا.، راعی، ر.، شاپور محمدی. (۱۳۸۸). فرآیند شکل‌گیری قیمت‌ها در بورس تهران-رویکرد ریزساختاری. مجله تحقیقات مالی، 16 (56)، 21-38.
راعی، ر.، شواخی زواره، ع. (۱۳۸۵). بررسی عملکرد استراتژی‌های سرمایه‌گذاری در بورس اوراق بهادار -تهران. مجله تحقیقات مالی، ۸ (۲۱)، 75-96.
رستگار، م.، اقبال ریحانی، ن. (1396). مدل‌سازی غیرخطی واکنش بازار سمت خرید. مجله دانش سرمایه‌گذاری، در دست چاپ.
 
References
Aldridge, I. (2010). High Frequency Trading A practical guide to algorithmic trading strategies and trading systems. Hoboken: WILEY.
Besson, P. & Lasnier, M. (2017). The benefits of resiliency to standard market impact models. Market Microstructure and Liquidity, 3 (1) (2017) 1750007 (26 pages).
Bookstaber, R. Paddrik, M. (2015). An Agent-based Model for Crisis Liquidity Dynamics. Office of Financial Research, United States Department of Treasury.
Chiarella, C. and Iori, G. (2002). A simulation analysis of the microstructure of double auction markets. Quantitative Finance, 2 (2), 246–253.
Chiarella, C., Iori, G. & Perello, J. (2009b). The impact of heterogeneous trading rules on the limit order book and order flows. Journal of Economic Dynamics and Control, 33 (3), 525–537.
CFA (2009). Market Microstructure: The Impact of Fragmentation under the Markets in Financial Instruments Directive, CFA Institute Publications, 2009 (13), pp. 1–60.
Cont, R. (2001). Empirical properties of asset returns: stylized facts and statistical issues. Quantitative Finance, 1 (2), 223–236.
Coppejans, M., Domowitz, I. & Madhavan, A. (2003). Dynamics of Liquidity in an Electronic Limit Order Book Market. Working paper, Duke University.
Cui, W. & Brabazon, A. (2012a). An Agent-based Modelling Approach to Study Price Impact. in Proceedings of the 2012 IEEE Conference on Computational Intelligence for Financial Engineering & Economics, 1–8, IEEE Press.
Evans, M. & Lyons, R. (2002). Order Flow and Exchange Rate Dynamics. Journal of Political Economy, 110 (1), 170–180.
Farmer, J. & Foley, D. (2009). The economy needs agent-based modelling. Nature, 460 (7256), pp. 685–686.
Farmer, J., Gerig, A., Lillo, F. & Mike, S. (2006). Market efficiency and the long-memory of supply and demand: Is price impact variable and permanent or fixed and temporary?. Quantitative Finance, 6 (2), 107–112.
Feldman, T. & Friedman, D. (2010). Human and Artificial Agents in a Crash-Prone Financial Market. Computational Economics, 36 (3), 201–229.
Gould, M., Porter, M., Williams, S., McDonald, M., Fenn, D. & Howison, S. (2011). ‘Limit order books’. Working paper.
Guo, X., Ruan, Z. & Larrard, A. (2017). Optimal placement in a limit order book: an analytical approach. Mathematics and Financial Economics, 11 (2), 189–213.
Jain, P. (2003). Institutional design and liquidity at stock exchanges around the world. Available at SSRN: https://ssrn.com/abstract=869253 or http://dx.doi.org/10.2139/ssrn.869253.
Jaisson, T. (2015). Market impact as anticipation of the order flow imbalance. Quantitative Finance, 15 (7). 1123-1135.
Kim, G. & Markowitz, H. (1989). Investment rules, margin, and market volatility. Journal of Portfolio Management, 16 (1), 45–52.
Kissell, R., Glantz, M. (2003). Optimal trading strategies: Quantitative approaches for managing market impact and trading risk, Amacom.
Kissel, R. (2014). The Science of Algorithmic Trading and Portfolio Management. Oxford: Academia Press.
Kraus, A. & Stoll, H. (1972). Price impacts of block trading on the New York Stock Exchange. Journal of Finance, 27 (3), 569–588.
Lux, T. (1998). The socio-economic dynamics of speculative markets: interacting agents, chaos, and the fat tails of return distributions. Journal of Economic Behavior & Organization, 33 (2), 143–165.
Mandes, A. (2015). Microstructure-based order placement in a continuous double auction agent based model. Algorithmic Finance, 105–125.
Miller, M. (2008). Don’t let your robots grow up to be traders: Artificial intelligence, human intelligence, and asset-market bubbles. Journal of Economic Behavior & Organization, 68 (1), 163–166.
O’Hara, M. (1995). Market Microstructure Theory. Blackwell Publishers, Cambridge US.
Parlour, C. & Seppi, D. (2008). Limit Order Markets: A Survey, in A. V. Thakor & A. W. Boot (eds.). Handbook of Financial Intermediation and Banking, 63–96, Elsevier, Amsterdam.
Platt, D. & Gebbie, T. The Problem of Calibrating an Agent-Based Model of High-Frequency Trading. Submitted on 5 Jun 2016 to Quantitative Finance, arXiv: 1606.01495.
Pouyanfar, A., Raei, R. & Shapoor Mohammadi (2010). Transactional Prices Intraday Evidence from Tehran Stock Exchange. Financial Research Journal. Article 2, 16 (3), Serial Number 149088. (in Persian)
Raei, R., Zavareh, A. (2008). Exploration The Performance of The Investment Strategies in Tehran Stock Exchange. Financial Research Journal. Article 4, 8 (1), Serial Number 1835. (in Persian)
Rastegar, M. & Saedifar, kh. (2017). Optimal Execution Strategy: An Agent-based Approach. Journal of Financial Research, 19 (2): 239-362. (in Persian)
Rastegar, M. & Eghbal, N. (2018). The non-linear market impact Modeling: Evidence from Buy-side. Journal of Investment Knowledge, will printed. (in Persian)
Schelling, T. (1971). Dynamic models of segregation. Journal of Mathematical Sociology, 1 (2), 143–186.
Smith, E., Farmer, J., Gillemot, L. & Krishnamurthy, S. (2003). Statistical theory of the continous double auction. Quantitative Finance, 3 (1), 481–514.
Tesfatsion, L. (2006). Agent-based computational economics: A constructive approach to economic theory, in L. Tesfatsion & K. Judd (eds.). Handbook of computational economics: agent-based computational economics, 52–74, Elsevier, Amsterdam.