Γιατί η Αγορά Κατευθύνεται Προς την Ανίχνευση Τοξικής Ροής με Τεχνητή Νοημοσύνη — και Γιατί Κανείς Δεν Έχει Φτάσει Πλήρως Εκεί

Μιλήστε με αρκετούς μεσίτες σε βιομηχανικές εκδηλώσεις και ένα θέμα επανέρχεται συνεχώς: μερικοί λογαριασμοί απορροφούν σιωπηλά το βιβλίο, και κανείς δεν είναι σίγουρος πώς να το σταματήσει χωρίς να ενοχλήσει και τους καλούς πελάτες. Η βιομηχανία το αποκαλεί “τοξική ροή” — εντολές που, ό,τι και να είναι η πρόθεση του εμπόρου, τείνουν να κινούνται εναντίον του μεσίτη στα δευτερόλεπτα και τα λεπτά μετά την εκτέλεση. Είναι ένα παλιό πρόβλημα. Το πιο νέο είναι πόσο συχνά το “AI” εμφανίζεται ως η απάντηση σε αυτές τις συζητήσεις — ακόμη και αν στην πράξη σχεδόν κανείς δεν διαθέτει ένα ώριμο, αποδεδειγμένο εργαλείο σε παραγωγή ακόμη.

Για τις περισσότερες από τις τελευταίες δύο δεκαετίες, η προτιμώμενη λύση ήταν ένα σύνολο κανόνων: να σημαδεύονται οι συναλλαγές πάνω από ένα συγκεκριμένο μέγεθος, να διευρύνονται τα spread πριν από ειδήσεις, να περιορίζεται η έκθεση σε λογαριασμούς που κρατούν θέσεις για ύποπτα σύντομο χρόνο. Αυτοί οι κανόνες δεν είναι κακή ιδέα, και τα περισσότερα γραφεία εξακολουθούν να βασίζονται σε αυτούς έντονα. Αλλά μοιράζονται μια αδυναμία — ένας κανόνας εντοπίζει μόνο το μοτίβο για το οποίο γράφτηκε, και οι έμποροι που αξίζει να ανησυχεί κανείς είναι συνήθως αυτοί που παρατηρούν γρήγορα τι είναι ο κανόνας και προσαρμόζονται γύρω του.

Γιατί τα στατικά όρια χάνουν έδαφος

Πολλά από τα γνωστά μοτίβα τοξικής ροής — arbitrage καθυστέρησης, spoofing, εκμετάλλευση παλιών τιμών σε διάφορα venues — είναι καλά τεκμηριωμένα σε όλη τη βιομηχανία, και οι έμποροι τείνουν να διαβάζουν το ίδιο υλικό με τους μεσίτες. Σημαδέψτε οτιδήποτε κρατημένο κάτω από ένα δευτερόλεπτο, και οι έμποροι αρχίζουν να το κρατούν για 1.2. Διευρύνετε τα spread 30 δευτερόλεπτα πριν από μεγάλες ειδήσεις, και η συναλλαγή συμβαίνει στα 45. Ο κανόνας δεν γίνεται πιο έξυπνος — ο έμπορος γίνεται. Αξίζει να σημειωθεί ότι ακόμη και οι μεγαλύτεροι πάροχοι πλατφορμών παίζουν κυρίως σε αυτόν τον χώρο αντί για τον χώρο της AI: MetaQuotes’ new MT5 matching engine στέλνει με πίνακες παρακολούθησης ενσωματωμένους στο τερματικό διαχείρισης που επιτρέπουν στους μεσίτες να βλέπουν την τοξική ροή εντολών και την έκθεση A-book/B-book σε πραγματικό χρόνο — πραγματικά χρήσιμο, αλλά εξακολουθεί να είναι ορατότητα και πίνακες ελέγχου αντί για προβλεπτική μοντελοποίηση.

Υπάρχει επίσης ένα πιο λεπτό ζήτημα: ένα σταθερό όριο αντιμετωπίζει κάθε λογαριασμό με τον ίδιο τρόπο, και αυτό δεν είναι πραγματικά ο τρόπος που λειτουργεί ο κίνδυνος στην πράξη. LiquidityFinder παρέχει μια καλή ανάλυση του πώς οι μεσίτες πραγματικά σκέφτονται την τοξική ροή, και ένα σημείο αξίζει να υπογραμμιστεί — η τοξικότητα είναι σχετική με την επιχείρηση, όχι κάποια σταθερή ιδιότητα μιας συναλλαγής. Κάτι που είναι σφάλμα στρογγυλοποίησης στο βιβλίο ενός μεσίτη μπορεί να είναι πραγματικό πρόβλημα για έναν άλλο, ανάλογα με το κόστος αντιστάθμισης, το μείγμα πελατών, πόσο τρέχει το A-book σε σχέση με το B-book. Ένας μόνος στατικός κανόνας δεν μπορεί πραγματικά να περιέχει δύο διαφορετικούς ορισμούς του “καλό” ταυτόχρονα. Αυτό είναι το κενό που η βιομηχανία συνεχίζει να επισημαίνει όταν μιλά για AI — ένα μοντέλο που εκπαιδεύεται στα δικά του δεδομένα εκτέλεσης ενός μεσίτη θα μπορούσε, θεωρητικά, να πλησιάσει πολύ περισσότερο.

Τι θα σήμαινε πραγματικά το “AI-driven” εδώ

Αξίζει να είμαστε ακριβείς σχετικά με αυτό, επειδή το “AI” συνδέεται σχεδόν με οτιδήποτε έχει πίνακα ελέγχου αυτές τις μέρες, και τα περισσότερα από όσα προωθούνται υπό αυτήν την ετικέτα είναι ακόμη αρκετά κοντά σε κανόνες με επιπλέον βήματα. Η έκδοση που θα είχε πραγματική σημασία είναι μια μετάβαση από στατικά όρια σε μοντέλα που μαθαίνουν από τα markouts — την κίνηση τιμής τη στιγμή αμέσως μετά το κλείσιμο μιας συναλλαγής — μέσω πολύ περισσότερων μεταβλητών από ό,τι θα μπορούσαν λογικά να κωδικοποιηθούν χειροκίνητα: μέγεθος εντολής σε σχέση με το ιστορικό του λογαριασμού, χρονική στιγμή σε σχέση με τη μεταβλητότητα, συσχέτιση με τη συμπεριφορά άλλων λογαριασμών, συν ένα αριθμό μικρότερων σημάτων που από μόνα τους δεν σημαίνουν σχεδόν τίποτα αλλά μαζί σχηματίζουν ένα μοτίβο.

Υπάρχουν πρώιμες έρευνες που δείχνουν προς αυτή την κατεύθυνση, αν και αξίζει να είμαστε σαφείς πόσο πρώιμες είναι. Μια εργασία του 2023 για real-time toxicity prediction using Bayesian neural networks, που δοκιμάστηκε με ζωντανά δεδομένα συναλλαγών FX, διαπίστωσε ότι ένα μοντέλο εκπαιδευμένο διαδοχικά ξεπέρασε τη λογιστική παλινδρόμηση, τα τυχαία δάση και τους τυπικούς εκτιμητές μέγιστης πιθανοφάνειας στην πρόβλεψη αν μια συναλλαγή θα γίνει τοξική — αρκετά γρήγορα, κατά αρχή, ώστε να ενημερώνει μια απόφαση εσωτερικοποίησης ή εξωτερικοποίησης σε πραγματικό χρόνο. Αυτό είναι ένα σημαντικό αποτέλεσμα σε ακαδημαϊκό περιβάλλον. Είναι εντελώς διαφορετικό από το να τρέχει ένας μεσίτης αυτό αξιόπιστα στην παραγωγή ενάντια σε ζωντανή ροή, με όλες τις ρυθμίσεις ψευδώς θετικών και την υποδομή δεδομένων που απαιτεί — και όπως μπορώ να δω, πολύ λίγες εταιρείες έχουν φτάσει εκεί ακόμη.

Γιατί αυτό είναι πιο δύσκολο από ό,τι υποδεικνύουν οι παρουσιάσεις

Τίποτα από αυτά δεν αφαιρεί την βασική ένταση. Κάθε σύστημα ανίχνευσης, κανόνες ή μοντέλα, πρέπει να τοποθετείται κάπου στη γραμμή μεταξύ του να εντοπίζει πραγματικά τοξική ροή και του να σημαδεύει νόμιμους πελάτες που τυχαία διαπραγματεύονται με ασυνήθιστο τρόπο. Finance Magnates has a good piece on how brokers identify toxic clients, και κάνει ένα δίκαιο σημείο — αν σημαδέψετε πολύ επιθετικά, οι μεσίτες καταλήγουν να διευρύνουν τα spread ή να μειώνουν το πιστωτικό όριο σε άτομα που ποτέ δεν ήταν πρόβλημα, και αυτοί οι πελάτες δεν τείνουν να παραμείνουν μετά από αυτό.

Ένα μοντέλο δεν αφαιρεί αυτό το συμβιβασμό, απλώς αλλάζει το σχήμα του — θεωρητικά επιτρέποντας σε έναν μεσίτη να σχεδιάσει τη γραμμή με πολύ μεγαλύτερη ακρίβεια από το “πάνω από $X μέγεθος lot” ή “κάτω από Y χιλιοστά του δευτερολέπτου κράτηση”. Αλλά αυτό ισχύει μόνο εάν το μοντέλο είναι πραγματικά καλά ρυθμισμένο, κάτι που απαιτεί έναν όγκο καθαρών, επισημασμένων ιστορικών δεδομένων που πολλοί μεσαίου μεγέθους μεσίτες απλώς δεν διαθέτουν ακόμη, και συνεχή επαναρύθμιση που λίγες ομάδες κινδύνου έχουν το προσωπικό να κάνουν. Ένα κακώς εκπαιδευμένο μοντέλο θα ταξινομήσει λανθασμένα με την ίδια αυτοπεποίθηση όπως ένας ξεπερασμένος κανόνας — θα φαίνεται πιο ακριβές ενώ το κάνει, κάτι που ενδεχομένως το καθιστά πιο επικίνδυνο να το εμπιστευόμαστε τυφλά.

Πού πιθανότατα κατευθύνεται αυτό

Οι βασικές αιτίες της τοξικής ροής — ενημερωμένο θεσμικό trading, HFT που εκμεταλλεύεται κενά τιμών, μεγάλες επιθετικές εντολές γύρω από ειδήσεις — δεν έχουν πραγματικά αλλάξει σε μια δεκαετία. Αυτό που έχει αλλάξει είναι πόσα ιστορικά δεδομένα εκτέλεσης έχουν τώρα τα καθιερωμένα γραφεία, κάτι που αποτελεί μεγάλο μέρος του γιατί η ανίχνευση βάσει μοντέλου συζητείται σοβαρά τώρα αντί για πέντε χρόνια πριν, όταν οι περισσότεροι μεσίτες απλώς δεν είχαν αρκετά καθαρά δεδομένα για να το αξίζει.

Θα περίμενα η υιοθέτηση να είναι πιο αργή και πιο ακατάστατη από ό,τι υποδηλώνει το τρέχον κύμα μάρκετινγκ AI. Τα συστήματα βασισμένα σε κανόνες δεν θα εξαφανιστούν — είναι φθηνά, εύκολο να εξηγηθούν σε μια ομάδα συμμόρφωσης, και εξακολουθούν να εντοπίζουν τις προφανείς περιπτώσεις καλά. Η πιο ρεαλιστική πορεία είναι μια επιμερισμένη ρύθμιση τα επόμενα λίγα χρόνια: γρήγοροι, επεξηγήσιμοι κανόνες για τις ξεκάθαρες περιπτώσεις, με την αξιολόγηση βάσει μοντέλου να αναλαμβάνει σταδιακά το πολύ μεγαλύτερο γκρι χώρο ενδιάμεσα, μόλις οι μεσίτες και οι προμηθευτές πραγματικά επενδύσουν την εργασία για να το κάνουν αξι可靠το αντί για απλώς εμπορικό. Στο Brokerpilot, αυτός ο γκρι χώρος είναι ακριβώς αυτό που παρακολουθούμε πιο στενά καθώς σκεφτόμαστε πού πρέπει να κατευθυνθούν τα εργαλεία κινδύνου στο μέλλον.