Waarom de markt zich beweegt naar AI-gedreven detectie van toxische flow — en waarom niemand er nog helemaal is

Praat je met genoeg brokers op branche‑evenementen, dan blijft één onderwerp terugkomen: een handvol accounts lekt stilletjes het boek, en niemand weet precies hoe je dat kunt stoppen zonder ook de goede klanten te irriteren. De industrie noemt dit “toxische flow” — orders die, ongeacht de intentie van de handelaar, de neiging hebben tegen de broker in te bewegen in de seconden en minuten na uitvoering. Het is een oud probleem. Wat nieuw is, is hoe vaak “AI” als antwoord naar voren komt in deze gesprekken — zelfs al heeft in de praktijk bijna niemand een volwassen, bewezen tool die in productie draait.

Voor het grootste deel van de afgelopen twee decennia was het gangbare antwoord een regelboek: markeer transacties boven een bepaalde grootte, breid spreads uit vóór nieuws, beperk de blootstelling op accounts die posities voor een verdacht korte tijd aanhouden. Deze regels zijn geen slecht idee, en de meeste desks leunen er nog steeds zwaar op. Maar ze delen één zwakte — een regel vangt alleen het patroon waarvoor hij is geschreven, en de handelaren waar je je zorgen over moet maken zijn meestal degenen die het snelst merken wat de regel is en eromheen aanpassen.

Waarom statische drempels terrein verliezen

Veel van de bekende toxische flow‑patronen — latency arbitrage, spoofing, het oppikken van verouderde quotes over verschillende venues — zijn goed gedocumenteerd in de industrie, en handelaren lezen vaak hetzelfde materiaal als brokers. Markeer alles dat minder dan een seconde wordt aangehouden, en handelaren beginnen 1.2 seconden vast te houden. Breid spreads uit 30 seconden vóór groot nieuws, en de transactie gebeurt op 45. De regel wordt niet slimmer — de handelaar wel. Het is het vermelden waard dat zelfs de grootste platformproviders nog grotendeels in deze ruimte spelen in plaats van de AI‑ruimte: MetaQuotes’ new MT5 matching engine wordt geleverd met monitoringsdashboards ingebouwd in de managerterminal die brokers in staat stellen toxische orderflow en A‑book/B‑book blootstelling in realtime te zien — echt nuttig, maar nog steeds zichtbaarheid en dashboards in plaats van voorspellende modellering.

Er is ook een subtieler probleem: een vaste drempel behandelt elk account hetzelfde, en dat is niet echt hoe risico in de praktijk werkt. LiquidityFinder has a good breakdown of how brokers actually think about toxic flow, en één punt is het benadrukken waard — toxiciteit is relatief ten opzichte van het bedrijf, niet een vaste eigenschap van een transactie. Iets dat een afrondingsfout is op het boek van de ene broker, kan een echt probleem zijn voor een andere, afhankelijk van hedgekosten, klantmix, hoeveel A‑book versus B‑book wordt gerund. Een enkele statische regel kan niet echt twee verschillende definities van “fine” tegelijk bevatten. Dat is de kloof die de industrie blijft aanwijzen wanneer ze over AI spreekt — een model getraind op de eigen uitvoeringsdata van een broker zou, in theorie, veel dichterbij kunnen komen.

Wat “AI‑gedreven” hier eigenlijk zou betekenen

Het is de moeite waard hier precies te zijn, omdat “AI” tegenwoordig aan vrijwel alles met een dashboard wordt gekoppeld, en het grootste deel van wat onder dat label wordt gepromoot nog steeds redelijk dicht bij regels met extra stappen blijft. De versie die echt van belang zou zijn, is een verschuiving van statische drempels naar modellen die leren van markouts — de prijsbeweging in de momenten direct na het sluiten van een transactie — over veel meer variabelen dan redelijk handmatig kan worden gecodeerd: ordergrootte ten opzichte van de eigen geschiedenis van dat account, timing ten opzichte van volatiliteit, correlatie met het gedrag van andere accounts, plus een aantal kleinere signalen die op zichzelf bijna niets betekenen maar samen een patroon vormen.

Er is vroeg onderzoek dat in deze richting wijst, hoewel het de moeite waard is duidelijk te zijn hoe vroeg. real-time toxicity prediction using Bayesian neural networks, getest tegen live FX‑transactiedata, vond dat een sequentieel getraind model logistieke regressie, random forests en standaard maximum‑likelihood schatters overtrof bij het voorspellen of een transactie toxisch zou worden — in principe snel genoeg om een internaliseer‑ of externaliseerbeslissing in realtime te informeren. Dat is een betekenisvol resultaat in een academische setting. Het is een heel ander verhaal dan een broker die dit betrouwbaar in productie draait tegen live flow, met alle afstemming van false‑positives en dataverwerking die dat vereist — en voor zover ik kan zien, zijn er nog maar zeer weinig bedrijven die dat daadwerkelijk hebben bereikt.

Waarom dit moeilijker is dan de pitch decks suggereren

Geen van dit maakt de kernspanning weg. Elk detectiesysteem, regels of modellen, moet ergens op de lijn staan tussen het vangen van echt toxische flow en het markeren van legitieme cliënten die gewoon toevallig op een ongebruikelijke manier handelen. Finance Magnates has a good piece on how brokers identify toxic clients, en het maakt een terecht punt — te agressief markeren leidt ertoe dat brokers spreads verbreden of krediet afsnijden bij mensen die nooit een probleem waren, en die cliënten blijven daarna meestal niet rond.

Een model verwijdert die afweging niet, het verandert alleen de vorm — in theorie kan een broker de lijn tekenen met veel meer resolutie dan “boven $X lotgrootte” of “onder Y milliseconden aangehouden”. Maar dat geldt alleen als het model daadwerkelijk goed afgestemd is, wat een hoeveelheid schone, gelabelde historische data vereist die veel middelgrote brokers simpelweg nog niet hebben, en voortdurende herkalibratie die weinig risicoteams momenteel bemannen. Een slecht getraind model zal net zo zeker verkeerd classificeren als een verouderde regel — het zal er alleen preciezer uitzien terwijl het dat doet, wat betoogt dat het gevaarlijker is om blindelings te vertrouwen.

Waar dit waarschijnlijk naartoe gaat

De underlying causes of toxic flow — geïnformeerde institutionele handel, HFT die prijsverschillen oppikt, grote agressieve orders rond nieuws — zijn de afgelopen tien jaar niet echt veranderd. Wat wel is veranderd, is hoeveel historische uitvoeringsdata gevestigde desks nu hebben liggen, wat een groot deel verklaart waarom modelgebaseerde detectie nu serieus wordt besproken, in plaats van vijf jaar geleden, toen de meeste brokers simpelweg niet genoeg schone data hadden om het de moeite waard te maken.

Ik verwacht dat adoptie langzamer en rommeligder zal verlopen dan de huidige golf van AI‑marketing doet vermoeden. Regelgebaseerde systemen gaan nergens heen — ze zijn goedkoop, gemakkelijk uit te leggen aan een compliance‑team, en ze vangen de duidelijke gevallen nog steeds goed. Het realistischere pad is een gelaagde opzet over de komende jaren: snelle, uitlegbare regels voor de duidelijke gevallen, met modelgebaseerde scoring die geleidelijk het veel grotere grijze gebied ertussen overneemt, zodra brokers en leveranciers daadwerkelijk het werk hebben gedaan om het betrouwbaar te maken in plaats van alleen maar verkoopbaar. Bij Brokerpilot is dat grijze gebied precies wat we het nauwlettendst in de gaten houden terwijl we nadenken over waar risk‑tooling naartoe moet.