Cluster Analyse Für Bewertung Trading Strategien

Clusteranalyse für die Auswertung von Handelsstrategien 1 Transkription 1 KONTRIBUTOREN Jeff Bacidore Geschäftsführer, Leiter des algorithmischen Handels, ITG, Inc Kathryn Berkow Quantitative Analytiker, Algorithmischer Handel, ITG, Inc Ben Polidore Direktor, Algorithmischer Handel, ITG, Inc Nigam Saraiya Vice President, Algorithmic Trading, ITG, Inc KONTAKT Asien-Pazifik Kanada EMEA Vereinigte Staaten Clusteranalyse für die Bewertung von Handelsstrategien 1 ABSTRAKT In diesem Papier stellen wir eine neue Methode vor, um empirisch die primären Strategien zu identifizieren, die von einem Händler verwendet werden, der nur Post-Trade-Fill-Daten verwendet. Dazu verwenden wir eine gut etablierte statistische Clustering-Technik namens k-means zu einer Stichprobe von Fortschrittsdiagrammen, die den Teil des Auftrags darstellt, der von jedem Punkt des Tages als Maß für eine Handelsaggressivität abgeschlossen wird. Unsere Methodologie identifiziert die primären Strategien, die von einem Händler verwendet werden und bestimmt, welche Strategie der Händler für jede Bestellung in der Stichprobe verwendet hat. Nachdem die für jeden Auftrag verwendete Strategie identifiziert wurde, kann die Handelskostenanalyse (TCA) nach einer Strategie durchgeführt werden. Wir diskutieren auch Möglichkeiten, diese Technik zu nutzen, um das Verhalten des Traders zu charakterisieren, die Trader-Performance zu bewerten und die entsprechenden Benchmarks für jede einzelne Handelsstrategie vorzuschlagen. HINTERGRUND Die Bewertung der Trader-Performance ist schwierig, da die Trader ihre Strategien je nach den Zielen des jeweiligen Handels variieren. Wenn zum Beispiel Aufträge auf offene Märkte ausgerichtet sind, können Händler ihre Trades vorladen, was möglicherweise einen großen Teil des Handels in der Eröffnungsauktion ausführt. Für größere, mehr auswirkende Aufträge, können Händler beschließen, mehr passiv zu handeln und strecken die Reihenfolge über einen längeren Zeitraum. Idealerweise sollte die Handelskostenanalyse (TCA) die Strategie des Traders berücksichtigen. In Wirklichkeit ist dies eine Herausforderung, weil 1) es oft unklar ist, wie die zugrunde liegenden Strategien des Traders zu charakterisieren sind, und 2) auch wenn die Strategien bekannt waren, die Bestimmung, welche Befehle für welche Strategie gelten, kann schwierig sein, wenn diese Informationen nicht erfasst werden In Post-Trade-Datenbanken. Angesichts dieser Herausforderungen besteht ein gemeinsamer Ansatz für die Beurteilung der Trader-Performance darin, die Trades nach Algorithmen als Proxy für die Strategie des Traders zu gruppieren. Wenn Händler spezifische Algorithmen verwenden, um ihre Ziele zu erreichen (z. B. unter Verwendung von Algorithmen für nahtlose Abschlüsse, VWAP-Algorithmen für Trades, die auf VWAP basieren), ist dieser Ansatz sinnvoll, weil der Algorithmus die Strategie ist. Allerdings verwenden High-Touch-Händler oft Algorithmen als Taktik und nicht als Strategien, die zwischen verschiedenen Algorithmen innerhalb einer bestimmten Reihenfolge umschalten. Als Ergebnis, TCA durch Algorithmus wird 1 Dies ist die übermittelte Version des folgenden Artikels: Cluster-Analyse für die Bewertung von Handelsstrategien, Jeff Bacidore, Kathryn Berkow, Ben Polidore und Nigam Saraiya, The Journal of Trading Vol. 7 Nr. 3, 2012, Institutional Investor, Inc., die in endgültiger Form veröffentlicht wurde: abs jot 2 2 nicht Informationen über die Wirksamkeit der Hybrid-Strategie des Händlers. Eine weitere häufig verwendete Methode zur Bewertung der Trader-Performance ist die Bewertung ihrer Performance im Kontext der durchschnittlichen Aggressivität. Zum Beispiel könnte man das durchschnittliche Fortschrittsdiagramm eines Händlers betrachten, um zu sehen, wie passiv oder aggressiv der Trader dazu neigt, Aufträge zu erledigen und die Leistung in diesem Zusammenhang zu bewerten. Solche Mittelwerte können jedoch nicht sinnvoll sein, da sie über zugrunde liegende Strategien aggregieren. Beispielsweise zeigt 1 das Aggregat-Füllfortschrittsdiagramm für einen einzelnen Händler. Aus der Grafik, scheint es, dass diese trader s zugrunde liegende Strategie ist VWAP. In Wirklichkeit kann dieser Trader jedoch mehrere Strategien verwendet haben, die VWAP insgesamt ähneln, auch wenn der Trader eigentlich niemals ganz VWAP auf einen einzelnen Auftrag gerichtet hat. Abbildung 1. Dies ist ein Beispiel für das Aggregat-Füllfortschrittsdiagramm für alle Aufträge in einem Beispiel-Dataset. Die horizontale Achse repräsentiert die Zeit von 9:30 Uhr 9:45 Uhr (bin 1) bis 3:45 PM 4:00 PM (bin 26) die vertikale Achse stellt den Prozentsatz des Auftrags dar. Die Analyse der Trader-Performance korrekt erfordert zunächst die Identifizierung der verschiedenen zugrunde liegenden Strategien, die von einem Händler und dann Aggregierung von Aufträgen durch diese Strategien. In diesem Papier stellen wir eine neue Methodik vor, die es uns ermöglicht, sowohl die wichtigsten Handelsstrategien zu identifizieren, die von einem Händler verwendet werden, als auch jede der Aufträge des Händlers in diese Strategien empirisch zu klassifizieren, ohne die Aufträge vor der Ausführung markieren zu müssen. Dazu erstellen wir zunächst ein Fortschrittsdiagramm für jede Order und wenden dann eine bewährte statistische Clustering-Methode mit dem Namen k-means an, um die primären Strategien zu identifizieren, die zur Ausführung dieser Aufträge verwendet werden. Die k-means-Methode klassifiziert jede Reihenfolge innerhalb einer der Strategien, so dass für die Analyse durch Strategie. Dieser neue Ansatz zur Identifizierung von Handelsstrategien kann sehr nützlich sein, wenn TCA, vor allem für High-Touch-Handel. Erstens kann unsere Methodologie die zugrundeliegenden Strategien identifizieren, die von jedem Trader verwendet werden. Aufgrund ihrer dynamischen Natur werden alle neuen Strategien aufgedeckt, auch wenn Händler sie im Laufe der Zeit ändern. Zweitens, für Schreibtische mit mehreren Händlern, kann unser Ansatz verwendet werden, um zu berichten, welche Strategien vom Schreibtisch als Ganzes verwendet werden und teilen die Strategie Nutzung durch den Händler. Drittens ermöglicht diese Art der granularen Trader-Level-Analyse Schreibtische zu beurteilen relative Trader-Performance als ein Mittel, um Best Practices zu teilen, anstatt einfach zu messen, welche Trader am besten ist. Insbesondere zeigt diese Analyse nicht nur, welche Trader Outperformance, sondern auch erklärt, warum sie übertroffen haben. Schließlich können wir, da diese Strategien grafisch dargestellt werden können, ableiten, was der Benchmark des Händlers für einen bestimmten Handel gewesen sein mag. Beispielsweise kann bei hochbeladenen Geschäften der offene Bereich der relevanteste Benchmark sein, während für rückbelastete Trades der Schlusskurs geeigneter sein kann. Wie oben angemerkt, kann dies alles empirisch auf einer Post-Trade-Basis erfolgen, so dass unser Ansatz nicht erfordert, dass Händler zusätzliche Daten eingeben oder die Systeme angepasst werden, um neue Nachhandelsstrategieinformationen aufzunehmen. 3 3 METHODIK Unsere Methodik nutzt die Intuition eines Fortschrittsdiagramms bei der Charakterisierung einer Handelsstrategie, wendet aber eine gemeinsame Clustertechnik mit der Bezeichnung k-bedeutet an, die aggregierte Strategie in ihre Komponentenstrategien aufzuteilen, so wie ein Prisma das Licht in seine Komponentenfarben teilt Wie in 2 gezeigt). Der Prozess beginnt mit dem Erstellen eines Fortschrittsdiagramms für jede Bestellung. Insbesondere berechnet sie für jede 15-minütige Periode am Handelstag (26 insgesamt) den kumulativen Bruchteil der Reihenfolge, die bis zum Ende dieser Periode, d. H. Dem Fortschritt der Reihenfolge an diesem Punkt, abgeschlossen wurde. Die Handelsstrategie selbst wird durch die Sammlung dieser 26 Fortschrittspunkte repräsentiert, ein Beispiel davon ist in Figur 1 angegeben. Diese Diagramme beginnen immer bei 0 und enden bei 100 und erhöhen sich, wenn wir von links nach rechts entlang der x bewegen - axis, um den kumulativen Füllfortschritt des Auftrages über den Tag darzustellen. Wir wenden dann k-Mittel an, um sie in k verschiedene Handelsstrategien zu gruppieren. Abbildung 2: Die Methodik nimmt ein aggregiertes Fortschrittsdiagramm und teilt es in seine zugrunde liegenden Komponenten-Strategien. Um zu verstehen, wie k-means intuitiv funktioniert, gehen wir davon aus, dass wir den Handelstag in 3 Bins anstelle von 26 Bins brechen. Für jede Bestellung bestimmen wir den Prozentsatz der Reihenfolge, die am Ende jedes Bins abgeschlossen wurde. Angenommen, der Händler hat einen Auftrag von 10.000 Aktien ausgeübt, indem er 2000 Anteile an bin 1, 1000 Anteilen an bin 2 und 7000 Anteilen an Bin 3 ausführt. Unsere Methodik würde diese Reihenfolge als Fortschrittsanzeige mit den Werten 20, 30, Und 100, um den Prozentsatz vollständig am Ende eines jeden Fachs darzustellen. Da alle Aufträge am Ende des letzten Bins abgeschlossen sind, haben alle Aufträge einen Wert von 100 in Bin 3. Aus diesem Grund müssen wir nur den Fortschritt am Ende der ersten beiden Bins betrachten, wenn wir versuchen zu unterscheiden Strategien. 2 In Abbildung 3 stellen wir eine Stichprobe von Ordnungen dar, wobei jeder schwarze Punkt auf dem Diagramm einen Auftrag darstellt. Die X-Achse stellt den Prozentsatz der durch das Ende von Bin 1 abgeschlossenen Reihenfolge dar, und die y-Achse stellt den Prozentsatz dar, der durch das Ende von Bin 2 vervollständigt wird. In der 2 Hinzufügen der dritten Bin, in der alle Aufträge einen Wert von 100 annehmen Zu der k-means-Methodik liefert keine nützlichen Informationen, um uns dabei zu helfen, zu unterscheiden, wie die verschiedenen Aufträge gehandelt wurden. So kann man den dritten Behälter aus der k-means-Methode ausschließen, ohne die Ergebnisse zu beeinflussen. 4 4 Beispiel für die obige Anordnung von 10.000 Teilen kann die Reihenfolge graphisch als der in Fig. 3A mit X bezeichnete Punkt dargestellt werden. Da diese Reihenfolge am Ende des Behälters 1 und 30 am Ende des Behälters 2 vollständig war, wird der Punkt mit einem x-Achsenwert von 20 und einem y-Achsenwert von 30 dargestellt. Abbildung 3. Abbildung von k - Bedeutet Algorithmus. In Fig. 3A sind die schwarzen Punkte die existierenden, klassifizierten Beobachtungen. Das Dreieck in Fig. 3B stellt eine neue Ordnung dar, die klassifiziert werden muß, und die Quadrate stellen die Mittelpunkte der beiden vorhandenen Cluster dar. Die grauen Pfeile zeigen den Abstand zwischen dem neuen Punkt und den vorhandenen Clusterzentren. Der Algorithmus klassifiziert den neuen Punkt mit dem Cluster, dessen Mitte der kürzeste Abstand davon ist. Die schwarzen Quadrate in Fig. 3C repräsentieren die ursprünglichen Clusterzentren. Das graue Quadrat ist das aktualisierte Zentrum des Clusters mit der zusätzlichen Reihenfolge. Betrachtet man Fig. 3A, so gibt es zwei getrennte Gruppen von Punkten, einen Cluster im unteren linken Quadranten und einen anderen im oberen rechten Quadranten. Intuitiv repräsentieren diese Cluster die beiden unterschiedlichen Strategien, die der Händler verwendet hat. Der erstere repräsentiert Befehle, die langsam ausgeführt werden, d. h. diejenigen, die relativ wenig Fortschritt nach sowohl bin 1 (x-Achse) als auch bin 2 (y-Achse) gemacht haben. Letzteres repräsentiert Aufträge, die schneller ausgeführt werden, wobei der Fortschritt sowohl in bin 1 als auch bin2 signifikant höher ist. In zwei Dimensionen mit einer kleinen Datenmenge könnte man die Clusteranalyse visuell durchführen, wie in Fig. 3A. Wenn der Datensatz groß ist oder die Anzahl der Dimensionen höher ist, wie es der Fall ist, wo Tausende von Aufträgen jeweils in 26 verschiedene Bins aufgeteilt werden können, muss man sich auf statistische Techniken verlassen, um das Clustering zu verwalten. Dies ist, wo k-bedeutet Methodik ins Spiel kommt. Der k-Algorithmus beginnt mit der Zuweisung von k initialen Cluster-Zentren, die vom Benutzer spezifiziert oder durch den Algorithmus zufällig ausgewählt werden können. Iterativ arbeitet der Algorithmus durch die Probe, wobei eine Distanzmetrik verwendet wird, um jede Beobachtung dem nächsten Cluster zuzuordnen. Fig. 3B zeigt ein Beispiel einer Iteration von k-Mitteln. Angenommen, wir sollten eine neue Beobachtung hinzufügen, dargestellt durch das Dreieck in Abbildung 3B. K-Mittel berechnet den Abstand zwischen diesem Punkt und den zwei vorhandenen Clusterzentren, dargestellt durch die Quadrate in Fig. 3B, um den nächsten Cluster zu bestimmen. Da das Dreieck näher am linken Cluster liegt, weist k-means es dem linken Cluster zu. Mit dem Hinzufügen eines neuen Datenpunktes muss k-means nun ein neues Clusterzentrum berechnen. Abbildung 3C zeigt das neue Clusterzentrum, dargestellt durch das graue Quadrat, das sich in Richtung der neuen Beobachtung verschoben hat. Wenn sich Clusterzentren und Zuweisungen von Beobachtungen dramatisch ändern, stoppt der Algorithmus. Zu diesem Zeitpunkt enthält die Ausgabe Informationen über die k-Clusterzentren, die zur Charakterisierung der Gruppe selbst verwendet werden können, sowie die Zuordnung der einzelnen Beobachtungen zu einem Cluster. 3 In unserer spezifischen Anwendung kennzeichnet der Mittelpunkt einer Gruppe das durchschnittliche Fortschrittsdiagramm dieser Strategie und die Zuordnungen geben die Strategie an, die jeder Reihenfolge am ähnlichsten ist. 3 Siehe Johnson amp Wichern (2007) und MacQueen (1967) für eine detaillierte Diskussion von k-means. 5 BEISPIEL Um die Effektivität der Methode zu demonstrieren, wenden wir sie auf eine Stichprobe von Aufträgen an, die an zwei verschiedene Algorithmen über zwei verschiedene Handelshorizonte gesendet werden, um festzustellen, ob sie diese vier verschiedenen Algorithmen-Handels-Horizontkombinationen identifizieren kann. Im Einzelnen umfasst die Stichprobe sowohl halbtägige als auch ganztägige 4 nicht gehaltene Marktaufträge, die entweder zwischen dem 1. Januar 2011 und dem 31. September an einen VWAP - oder Implementierungsfehlbetrag (IS) Algorithmus 5 geschickt werden Hundert Aktien, Sicherstellung Bestellungen wurden über die Zeit gearbeitet und nicht in einer Scheibe durch den Algorithmus ausgeführt. Ohne Strategiekontext identifizierte k-means die vier Handelsstrategien und klassifizierte Aufträge innerhalb von ihnen mit hoher Genauigkeit. Die Ergebnisse in 4 zeigen die in der Stichprobe identifizierten Handelsstrategien, die das in 1 gezeigte VWAP-ähnliche Aggregatfortschrittsdiagramm umfassen. 4A stellt halbtags VWAP-Aufträge dar, 4B stellt vollständige VWAP-Aufträge dar, 4C stellt IS algo dar Aufträge, die vor 9:40 Uhr beginnen, und 4D stellt Halbtages-IS-Algo-Aufträge dar. K-means war in der Lage, über 98 der Bestellungen korrekt zu klassifizieren. Wie in Tabelle 1 gezeigt, wurden VWAP-Aufträge korrekt mehr als 99,5 der Zeit identifiziert. IS Bestellungen wurden korrekt mehr als 98 der Zeit identifiziert. Daher war k-means in der Lage, die vier verschiedenen Strategien korrekt zu identifizieren und jede Strategie präzise zuzuordnen. 5 Abbildung 4. Handelsstile, die aus Post-Trade-Daten-Beispiel-Ergebnissen für Stichproben - und halbtägige VWAP - und IS-Algo-Aufträge ermittelt wurden. Auftragstyp Accurary Halbtages-VWAP 99,73 Ganztags-VWAP 99,54 Ganztags-IS 98,58 Halbtages-IS 98,19 Tabelle 1 Genauigkeit von k-Mitteln bei der Vergabe von Aufträgen an Strategien. ANWENDUNGEN Diese Methode kann verwendet werden, um die Traderleistung auf verschiedene Weise zu beurteilen. Erstens können k-Mittel verwendet werden, um zugrundeliegende Handelsstrategien für große Kundenaufträge zu identifizieren. Abbildung 5 zeigt die Ausgabe für einen hypothetischen Client. Für diesen Kunden sehen wir drei unterschiedliche Trajektorien, die in den Schlusskurs (Strategie A), den vorverladenen Handel (Strategie B) und den partizipationsbasierten Handel über den ganzen Tag verteilt werden (Strategie C). Ein weiterer Vorteil von k-means ist die Fähigkeit, weniger dominante Strategien eines Traders aufzudecken. 4 Aufträge als ganztägig angekommen vor 9:40 Uhr Bestellungen als halben Tag zwischen 12:00 und 12:50 PM angekommen. Alle VWAP-Aufträge endete nach 15:20 Uhr, aber es gab keine Beschränkung für die Endzeit von IS-Aufträgen. 5 Insbesondere beinhalten wir Aufträge, die an den ITG Active Algorithm, einen Single-Stock-Implementation-Shortfall-Algorithmus, gesendet werden. 6 Dies wird in Tabelle 2 gezeigt, die zeigt, dass nur 5 von Wert über die Strategie C ausgeführt wurden. Hier bedeutet k-bedeutet eine Minderheitsstrategie aufgedeckt, die in einer traditionellen Analyse übersehen worden sein könnte. In der Tat, unsere Methodik gibt den Händlern die Möglichkeit, mit Handelsstrategien in Echtzeit zu experimentieren, ohne ihren Arbeitsablauf ändern, um alle Informationen auf der Strategie-Ebene zu erfassen. Abbildung 5: Hypothetische Client-Trades aggregiert über den Tag und gruppiert nach Stil über k-Mittel. Aus den Daten ergeben sich drei unterschiedliche Handelsstrategien. Zweitens, für Schreibtische mit mehreren Händlern, kann k-Mittel verwendet werden, um zu helfen, Strategien zu charakterisieren durch Händler. Die Diagramme in Abbildung 6 zeigen die Verwendung der mit k-Mitteln identifizierten Strategien. Zum Beispiel können wir sehen, dass Trader 1 der dominierende Benutzer von Strategie C ist, aber C macht nur 25 Trader 1 s Handel. Mit Hilfe der k-mean-Ergebnisse können wir berichten, wie oft jede Strategie verwendet wurde und welche Trades die einzelnen Strategien nach Trader, Fonds, Ordergröße, Marktkapitalisierung, Zeitspanne, Marktbedingungen oder einer Kombination davon verstehen. Abbildung 6. Aufschlüsselung der Trader-Nutzung von Strategien für die hypothetische Clientanalyse in Abbildung 4 und Tabelle 1. Händlern innerhalb von Strategien (Abbildung 5B) und Strategien innerhalb von Händlern (Abbildung 5A). Über die Nutzungsmuster hinaus ermöglicht die k-means-Ausgabe, Trades nach geeigneten Benchmarks zu bewerten und zu ermitteln, welche Strategien am erfolgreichsten sind. Warum vergleichen Sie alle Ausführungen mit der engen Benchmark, wenn 10 der Aufträge tatsächlich vorverladen wurden und 5 in einem VWAP-Algorithmus gehandelt werden. Die Ergebnisse der k-Ergebnisse liefern implizit Vorschläge für die Benchmark, die ein gegebener Trader gezielt gezielt haben könnte . Beispielsweise kann Trader 1 Strategie A verwenden, wenn Benchmarked zu schließen, B, wenn sie auf die offenen und C, wenn benched auf VWAP. Tabelle 2 zeigt, dass Strategie A im Vergleich zu der engen Benchmark gut abläuft, Strategie B ist gut gegen Ankunft und offen und Strategie C ist gut gegen VWAP-Benchmarks. Diese Ergebnisse sind intuitiv, da die Händler 7 7 wahrscheinlich unterschiedliche Benchmarks mit unterschiedlichen Strategien ansprechen. Die Fähigkeit, auf Benchmarks zu schließen, ist besonders nützlich für Händler, deren Systeme keine Benchmark-Informationen zulassen, um zu ihren Post-Trade-Datenbanken zu fließen. Strategie Aufträge Wert Wertentwicklung Anfangsniveau Performance (bps) Prev. Schliessen Tag VWAP A 10.334 46 B 17.957 49 C 3.940 5 Tabelle 2. Performanceergebnisse für hypothetische Kundenaufträge, die in Handelsstile, die in Abbildung 1 dargestellt sind, gruppiert sind. Interval VWAP Schließlich kann unsere Methodik helfen, die Trader-Performance im Rahmen der zugrunde liegenden Handelsstrategien zu bewerten . Wenn ein gegebener Trader seinen Peers unter - oder übertrifft, kann unsere Methodik helfen, die Strategien zu identifizieren, die seine relative Leistung treiben. Wenn zum Beispiel Trader 1 seinen Peers stark unterschreitet, kann dies auf seine Überbeanspruchung der Strategie C zurückzuführen sein, die in Tabelle 2 die schlechteste Performance gegenüber dem Vor-Kosten-Benchmark darstellt. Allgemeiner zeigt Tabelle 2, welche Strategien am besten gegen jede Benchmark arbeiten, was implizit Anregungen für die Ausführung zukünftiger Trades darstellt. FAZIT In diesem Papier bieten wir eine neue Methode zur Identifizierung von Handelsstrategien mit nur Post-Trade-Daten. Insbesondere verwenden wir eine gut etablierte statistische Technik namens K-Mittel, um sowohl die Primärstrategien zu identifizieren, die von einem Händler verwendet werden und klassifizieren jede Reihenfolge in eine dieser Strategien. Dieser Ansatz ist besonders nützlich, da er keine Änderungen an Trader-Workflows oder Post-Trade-Systemen erfordert, um Strategie - oder Benchmark-Informationen zu erfassen. Sobald die zugrunde liegenden Strategien identifiziert wurden und Aufträge klassifiziert, kann TCA durch Strategie durchgeführt werden. Analyse durch Strategie ist von entscheidender Bedeutung, weil die Wahl der Strategie oft die primäre Determinante der Leistung eines Händlers sein kann. Visuelle Darstellungen der zugrunde liegenden Strategien deuten naturgemäß auf den Benchmark des Händlers hin und liefern relevante und nützliche Analysen. Ergebnisse können sowohl visuell und numerisch kommuniziert werden, so dass dies ein praktisches Werkzeug für jeden Händler. 8 8 REFERENZEN Johnson, R. A. und D. W. Wichern Applied Multivariate Statistical Analysis, Sechste Auflage. Upper Saddle River, New Jersey: Pearson Prentice Hall, MacQueen, J. B. Einige Methoden zur Klassifizierung und Analyse von multivariaten Beobachtungen. Berkeley, CA: University of California Press (1967), Investment Technology Group, Inc. Alle Rechte vorbehalten. Nicht zu vervielfältigen oder ohne vorherige Erlaubnis weiterzugeben Broker-Händler Produkte und Dienstleistungen von ITG Inc. Mitglied FINRA, SIPC angeboten. Diese Materialien dienen ausschliesslich Informationszwecken und sind nicht dazu bestimmt, zu Handelszwecken oder Anlagezwecken oder als Angebot zum Verkauf oder zur Aufforderung zum Kauf von Wertpapieren oder Finanzprodukten verwendet zu werden. Die hierin enthaltenen Informationen stammen aus Handels - und statistischen Diensten und anderen Quellen, die wir für zuverlässig halten, aber wir vertreten nicht die Richtigkeit oder Vollständigkeit dieser Angaben und sollten daher nicht als solche angeführt werden. Es wird keine Garantie oder Gewährleistung hinsichtlich der Angemessenheit der Annahmen oder der Richtigkeit der von der ITG verwendeten Modelle oder Marktdaten oder der tatsächlich erzielten Ergebnisse gewährt. Diese Materialien bieten keine Beratung (Investitionen, Steuern oder Rechtsvorschriften). ITG Inc. ist kein registrierter Anlageberater und bietet keine Anlageberatung oder Empfehlungen zum Kauf oder Verkauf von Wertpapieren, zur Anlage von Anlageberatern oder zur Verfolgung jeglicher Anlage - oder Handelsstrategie. Die Positionen in diesem Dokument widerspiegeln das Urteil des einzelnen Autors und sind nicht notwendigerweise die von ITG. In diesem Papier stellen wir eine neue Methode zur empirischen Identifizierung der primären Strategien, die von einem Händler mit nur Nach-Trade-Fill-Daten verwendet . Dazu verwenden wir eine gut etablierte statistische Clustering-Technik namens k-means zu einer Stichprobe von Fortschrittsdiagrammen, die den Teil des Auftrags darstellt, der von jedem Punkt des Tages als Maß für eine Handelsaggressivität abgeschlossen wird. Unsere Methodologie identifiziert die primären Strategien, die von einem Händler verwendet werden und bestimmt, welche Strategie der Händler für jede Bestellung in der Stichprobe verwendet hat. Nachdem die für jeden Auftrag verwendete Strategie identifiziert wurde, kann die Handelskostenanalyse (TCA) nach einer Strategie durchgeführt werden. Wir diskutieren auch Möglichkeiten, diese Technik zu nutzen, um das Verhalten des Traders zu charakterisieren, die Trader-Performance zu bewerten und die entsprechenden Benchmarks für jede einzelne Handelsstrategie vorzuschlagen. Bewertung der Trader-Performance ist eine Herausforderung, weil die Händler oft variieren ihre Strategien in Abhängigkeit von den Zielen der einzelnen Handel. Wenn zum Beispiel Aufträge auf offene Märkte ausgerichtet sind, können Händler ihre Trades vorladen, die möglicherweise einen großen Teil des Handels in der Eröffnungsauktion ausführen. Für größere, mehr auswirkende Aufträge, können Händler beschließen, mehr passiv zu handeln und strecken die Reihenfolge über einen längeren Zeitraum. Im Idealfall sollte die Trading-Cost-Analyse (TCA) die Trader, die der Strategie zugrunde liegen, berücksichtigen. In Wirklichkeit ist dies eine Herausforderung, weil 1) es oft unklar ist, wie die zugrunde liegenden Strategien des Traders zu charakterisieren sind, und 2) auch wenn die Strategien bekannt waren, die Bestimmung, welche Befehle für welche Strategie gelten, kann schwierig sein, wenn diese Informationen nicht erfasst werden In Post-Trade-Datenbanken. Angesichts dieser Herausforderungen besteht ein gemeinsamer Ansatz zur Beurteilung der Trader-Performance darin, die Trades nach Algorithmen als Proxy für die der Strategie zugrundeliegenden Trader zu gruppieren. Wenn Händler spezifische Algorithmen verwenden, um ihre Ziele zu erreichen (z. B. unter Verwendung von Algorithmen für nahtlose Abschlüsse, VWAP-Algorithmen für Trades, die auf VWAP basieren), ist dieser Ansatz sinnvoll, weil der Algorithmus die Strategie ist. Allerdings verwenden High-Touch-Händler oft Algorithmen als Taktik und nicht als Strategien, die zwischen verschiedenen Algorithmen innerhalb einer bestimmten Reihenfolge umschalten. Als Ergebnis wird TCA durch Algorithmus nicht geben Informationen über die Wirksamkeit der Händler Hybrid-Strategie. Eine weitere häufig verwendete Methode zur Bewertung der Trader-Performance ist die Bewertung ihrer Performance im Kontext der durchschnittlichen Aggressivität. Zum Beispiel könnte man das durchschnittliche Fortschrittsdiagramm eines Händlers betrachten, um zu sehen, wie passiv oder aggressiv der Trader dazu neigt, Aufträge zu erledigen und die Leistung in diesem Zusammenhang zu bewerten. Solche Mittelwerte können jedoch nicht sinnvoll sein, da sie über zugrunde liegende Strategien aggregieren. Beispielsweise zeigt 1 das Aggregat-Füllfortschrittsdiagramm für einen einzelnen Händler. Aus der Grafik, scheint es, dass diese Trader zugrunde liegende Strategie ist VWAP. In Wirklichkeit kann dieser Trader jedoch mehrere Strategien verwendet haben, die VWAP insgesamt ähneln, auch wenn der Trader eigentlich niemals ganz VWAP auf einen einzelnen Auftrag gerichtet hat. Ben Polidore Mitbegründer Geschäftsführer, Leiter des algorithmischen Handels Kürzlich beschäftigten die ITG-Mitarbeiter ein amtliches Knochenmarkregister, spendete Blut, säuberte Parks und Flüsse, pflanzte Bäume, verpackte Mahlzeiten an Nahrungsmittelbänken, verpackte Spenden für überseeische Sendungen und vieles mehr. Jeff Bacidore, Kathryn Berkow, Ben Polidore und Nigam Saraiya Um Nachdrucke dieses Artikels zu bestellen, kontaktieren Sie bitte Dewey Palmieri bei dpalmieriiijournals oder 212-224-3675. In diesem Artikel stellen wir eine neue Methode vor, um empirisch die Primärstrategien zu identifizieren, die von einem Händler benutzt werden, der nur Post-trade Fülldaten benutzt. Um dies zu erreichen, wenden wir eine bewährte statistische Clustering-Technik mit dem Namen k - means auf eine Stichprobe von Fortschrittsdiagrammen an, die den Teil des Auftrags darstellt, der von jedem Punkt des Tages als Maß für eine Handlungsaggressivität abgeschlossen wird. Unsere Methodologie identifiziert die primären Strategien, die von einem Händler verwendet werden und bestimmt, welche Strategie der Händler für jede Bestellung in der Stichprobe verwendet hat. Nach der Identifizierung der Strategie für jede Bestellung verwendet, können Handelskosten-Analyse durch Strategie durchgeführt werden. Wir diskutieren auch Möglichkeiten, diese Technik zu nutzen, um das Verhalten des Traders zu charakterisieren, die Trader-Performance zu bewerten und die entsprechenden Benchmarks für jede einzelne Handelsstrategie vorzuschlagen. Jeff Bacidore ist Managing Director und Leiter des Algorithmic Trading bei ITG, Inc. in New York, NY. Jeff. bacidoreitg Kathryn Berkow ist ein quantitativer Analyst für Algorithmic Trading bei ITG, Inc. in New York, NY. Kathryn. berkowitg Ben Polidore ist der Direktor des algorithmischen Handels bei ITG, Inc. in New York, NY. Benjamin. polidoreitg Nigam Saraiya ist ein Vice President von Algorithmic Trading bei ITG, Inc. in New York, NY. Nigam. saraiyaitg Johnson. R. A. Und Wichern. D. W. Angewandte multivariate statistische Analyse, Sechste Ausgabe. Upper Saddle River, New Jersey: Pearson Prentice Hall, 2007. MacQueen. J. B. Einige Methoden zur Klassifizierung und Analyse von multivariaten Beobachtungen. Verfahren der 5. Berkeley-Symposium über mathematische Statistik und Wahrscheinlichkeit, 1, Berkeley, CA: University of California Press, 1967, S. 281-297.