Fast and Slow Optimal Trading with Exogenous Information

7.5/10

Ключевые слова: оптимальное стохастическое управление; стохастические игры; price impact; предиктивные сигналы; равновесие Stackelberg; HFT; институциональный инвестор.

Аннотация

Мы моделируем взаимодействие медленного институционального инвестора и высокочастотного трейдера как стохастическую многопериодную игру Stackelberg. Высокочастотный трейдер чаще использует ценовую информацию и подвержен периодическим ограничениям на инвентарь. Сначала выводится оптимальная стратегия высокочастотного трейдера при любой допустимой стратегии институционального инвестора. Затем решается задача институционального инвестора при оптимальной стратегии HFT — в терминах резольвенты интегрального уравнения Фредгольма, чем устанавливается единственное многопериодное равновесие Stackelberg. Явное решение показывает, что в каждом периоде HFT может выбирать либо хищническую (predatory), либо кооперативную стратегию в зависимости от компромисса между order-flow и торговым сигналом. Кроме того, стратегия институционального инвестора оказывается более прибыльной, если учитывать order-flow высокочастотного трейдера.

1. Введение

Современные финансовые рынки объединяют участников, выставляющих заявки на покупку и продажу на широком спектре временных масштабов: на одном полюсе пенсионные фонды ребалансируют портфель ежегодно, управляющие взаимными фондами — обычно ежемесячно; на другом — электронные маркетмейкеры и HFT-фирмы подают тысячи заявок в секунду (Cont, 2011), при этом соблюдая жёсткие ограничения на инвентарь (U.S. SEC, 2014, с. 4). Хотя неоднородность временных масштабов существовала всегда, развитие компьютерной торговли существенно расширило диапазон частот, на которых работают участники.

Взаимодействие потоков заявок от разных участников порождает агрегированный order-flow — суперпозицию компонент широкого спектра частот. Следствия этого явления для волатильности, динамики цен и стабильности рынка ещё предстоит систематически исследовать.

Эта частотная неоднородность контрастирует с математическими моделями микроструктуры и динамики цен, которые часто формулируются в терминах однородных агентов, работающих на одном временном масштабе — см., среди прочих, Gârleanu, Pedersen (2016); Evangelista, Thamsten (2020); Voß (2022); Neuman, Schied (2022); Micheli et al. (2021); Drapeau et al. (2019); Casgrain, Jaimungal (2020); Fu et al. (2020); Neuman, Voß (2021). Между тем повторяющиеся «flash crashes» (Kirilenko et al., 2017) показывают, что компоненты разных частот могут сильно взаимодействовать и приводить к сбоям рынка, что требует каркаса, учитывающего взаимодействие агентов на разных временных масштабах.

Как первый шаг в изучении этих явлений мы предлагаем модель динамики цен и order-flow на рынке, где участники двух разных частот торгуют рисковым активом. Рассматривается стохастическая игра между институциональным инвестором и высокочастотным трейдером, использующими внешний сигнал, входящий в дрейф ценового процесса. Институциональный инвестор и HFT — далее мажорный и минорный агенты — взаимодействуют через агрегированный order-flow, порождаемый их сделками. Сделки обоих создают временный и постоянный price impact. Система моделируется двумя связанными многопериодными задачами стохастического управления на фиксированном горизонте $T$: HFT непрерывно использует внешнюю информацию, но подвержен периодическим ограничениям на инвентарь в концах подынтервалов $0 < t_1 < \ldots < t_n = T$ при некотором $n \ge 1$. Институциональный инвестор имеет ограниченный доступ к сигналу и ограничен инвентарём только в момент $T$. Поскольку минорный агент явно выигрывает в использовании информации, естественно искать равновесие Stackelberg, в котором минорный агент использует сигнал и order-flow, создаваемый сделками мажорного агента.

Первый результат — единственная оптимальная стратегия HFT при любой допустимой стратегии мажорного агента (Теорема 3.2). Наиболее трудная часть построения равновесия Stackelberg — стратегия игрока, ходящего первым, то есть мажорного агента. Мы развиваем новый подход для этого класса игр: оптимальная стратегия мажорного агента при оптимальной сигнал-адаптивной стратегии минорного агента выводится методами теории интегральных уравнений. В Теореме 3.5 единственная оптимальная стратегия мажорного агента описывается через резольвенту уравнения Фредгольма, чем устанавливается единственное многопериодное равновесие Stackelberg. Раздел 4 иллюстрирует решения; раздел 5 даёт технические шаги, необходимые для явного построения решений из Теорем 3.2 и 3.5.

Метод решения вводит понятия теории интегральных уравнений, которые, насколько нам известно, ранее не применялись к таким равновесным задачам. Эти инструменты позволяют явно получить равновесие многопериодной модели Stackelberg — результат, удивительный тем, что такие модели обычно крайне мало податливы и решаются лишь в частных случаях. Ср. Carlin et al. (2007), Schöneborn, Schied (2009) и Roşu (2019), обсуждаемые ниже. Поэтому текст сделан самодостаточным: в разделах 5 и 10 и в приложении A подробно описана численная схема построения оптимальной стратегии мажорного агента из Теоремы 3.5 и доказана её сходимость. Оператор $\mathcal{G}$ возникает из решения задачи минорного агента (см. (3.10)).

Из основных теоретических результатов следуют явные выражения равновесных стратегий обоих агентов с богатой экономической интерпретацией — о поведении HFT и о лучших практиках исполнения крупных мета-ордеров институциональными инвесторами. Кратко:

• (i) HFT в каждом периоде может выбирать хищническую или кооперативную стратегию относительно мажорного агента в зависимости от компромисса между order-flow мажорного агента и торговым сигналом в периоде (Рис. 1 в оригинале).
• (ii) Сравнение выручки оптимального исполнения мажорного агента с бенчмарком, в котором активность минорного агента не учитывается, показывает, что оптимальная стратегия в среднем существенно превосходит бенчмарк (Рис. 5). Это противоречит распространённому мнению, будто order-flow HFT можно считать шумом.
• (iii) Оптимальные стратегии обоих агентов порождают известный U-образный внутридневной профиль объёма с пиками в начале и конце дня (Рис. 6).

Модель родственна классу моделей predatory trading, введённому Carlin et al. (2007) для одного периода и развитому Schöneborn, Schied (2009) для двух периодов. В Carlin et al. (2007) — однопериодная многоагентная игра одновременной ликвидации с временным и постоянным импактом; есть продавцы с положительной начальной позицией и конкуренты с нулевой. Все максимизируют сходные функционалы выручки строго детерминированными стратегиями; выводится равновесие Нэша. В однопериодном случае при определённых параметрах конкурент сначала продаёт, затем выкупает позицию из-за ограничений на инвентарь. В двухпериодной модели продавец ликвидирует только в первом периоде, а конкурент действует на двух; в зависимости от параметров импакта либо возникает кооперативная стратегия (покупка, затем продажа), либо round-trip продажи в первом периоде.

Наша модель отличается в критических пунктах. Минорный агент торгует на более высокой частоте, чем мажорный: это отражено периодическими штрафами за инвентарь в функционале минорного агента; у мажорного агента — только fuel-ограничение в конце горизонта. Минорный агент непрерывно реагирует на внешнюю информацию, тогда как мажорный имеет доступ к ней лишь в начале торговли — поэтому оптимальная стратегия минорного агента стохастична, в отличие от детерминированной игры Schöneborn, Schied (2009).

Другое ключевое отличие — тип равновесия. У Schöneborn, Schied (2009) — open-loop Нэш (одновременная оптимизация). В микроструктурной постановке с разными частотами естественно Stackelberg: минорный агент реагирует на стратегию продажи мажорного. Ни Carlin et al. (2007), ни Schöneborn, Schied (2009) не учитывают внешнюю информацию, поэтому их стратегии всегда детерминированы. Один из главных выводов нашего анализа: этот аспект существенно влияет на поведение обоих агентов. Несмотря на асимметрию в доступе к информации, типе равновесия и ограничениях на инвентарь, мы получаем явные решения для любого числа периодов — в отличие от Schöneborn, Schied (2009), где податлива лишь двухпериодная модель.

Кратко отметим Roşu (2019): дискретная модель, где быстрые трейдеры, решения которых зависят от рыночного сигнала, торгуют одновременно с медленными, наблюдающими лишь запаздывающую версию того же сигнала. Помимо различия в информации, у быстрых агентов там нет отличных функционалов и инвентарных ограничений, отличающих их от медленных, — а это ключевые ингредиенты нашей модели.

Структура статьи. Раздел 2 определяет двухагентную модель. Раздел 3 — явные решения игры Stackelberg. Раздел 4 — иллюстрации и финансовая интерпретация. Раздел 5 — численная схема для построения решений раздела 4. Доказательства — в разделах 6–10 и приложениях A–C оригинала.

2. Постановка модели

Определяем игру Stackelberg между мажорным агентом, ликвидирующим начальный объём акций рискового актива, и проприетарным HFT (минорный агент) на том же активе.

Пусть $T > 0$ — конечный детерминированный горизонт, $(\Omega,\mathcal{F},(\mathcal{F}_{t})_{t\in[0,T]},\mathbb{P})$ — фильтрованное вероятностное пространство, удовлетворяющее обычным условиям. Класс $\mathcal{H}^{2}$ — (специальные) семимартингалы $P=(P_{t})_{t\in[0,T]}$, чья каноническая декомпозиция $P=M+A$ на (локальный) мартингал $M$ и предсказуемый процесс конечной вариации $A$ удовлетворяет

Через $L^{2}([0,T])$ обозначаем пространство квадратично интегрируемых функций $f:[0,T]\to\mathbb{R}$, через $\langle\cdot,\cdot\rangle_{L^{2}}$ — скалярное произведение

и через $\|\cdot\|_{L^{2}}$ — соответствующую норму.

2.1. Допустимые стратегии и price impact

Мажорный агент имеет начальную позицию $q_{0}\in\mathbb{R}$ в рисковом активе. Скорость торговли $\nu^{0}=(\nu^{0}_{t})_{t\in[0,T]}$ выбирается из класса fuel-ограниченных детерминированных допустимых стратегий

Скорость $\nu^{0}$ определяет процесс инвентаря

Минорный агент — проприетарный HFT — стартует с нулевой позицией. Скорость $\nu^{1}=(\nu^{1}_{t})_{t\in[0,T]}$ выбирается из класса адаптивных допустимых стратегий

Инвентарь минорного агента:

Пишем $\nu=(\nu^{0},\nu^{1})$. При фиксированном $\nu$ наблюдаемая mid-цена $P^{\nu}$ удовлетворяет

где $P\in\mathcal{H}^{2}$, а $Y^{\nu}$ — постоянный price impact в духе Almgren–Chriss (2000), порождаемый обоими агентами:

где $\kappa_{i}>0$.

2.2. Мажорный агент: институциональный инвестор

Цена исполнения мажорного агента мгновенно ухудшается линейным временным импактом:

где $\lambda_{0}>0$. Денежные накопления:

Цель — оптимально размотать начальную позицию $q_{0}$ к горизонту $T$, минимизируя издержки исполнения (эквивалентно максимизации ожидаемой выручки от ликвидации). Функционал:

2.3. Минорный агент: высокочастотный трейдер

Сделки минорного агента также создают временный импакт:

где $\lambda_{1}>0$. Параметр временного импакта у минорного агента, как правило, меньше: HFT использует информацию стакана в реальном времени и снижает свой импакт.

Денежный процесс:

Минорный агент максимизирует cash, но как HFT избегает overnight-риска — ненулевого overnight-инвентаря. Пример: $T$ — рабочая неделя, $[0,T]$ разбито на пять равных интервалов длины $\tau$ (торговые сессии Пн–Пт). Предпочтения по инвентарю в течение дня моделируются периодической функцией периода $\tau$, резко растущей к концу каждого дня. Математически running-издержки инвентаря задаются функцией $\phi^{1}:[0,T]\to\mathbb{R}_{+}$, кусочно непрерывной и локально ограниченной.

Риск-доходный функционал минорного агента:

Первые два слагаемых — терминальное богатство: финальный cash с учётом издержек временного импакта и постоянного импакта обоих агентов, плюс mark-to-market терминальной позиции. Третье и четвёртое — штрафы $\phi^{1}_{t}>0$ и $\alpha>0$ за текущий и терминальный инвентарь.

2.4. Игра Stackelberg

Конкуренция формулируется как стохастическая игра Stackelberg, в которой минорный агент реагирует на торговлю мажорного. Математически игра идёт в два шага:

• (i) Задача минорного агента: при заданной стратегии ликвидации $\nu^{0}\in\mathcal{A}_{M}^{q_{0}}$ минорный агент выбирает $\nu^{1,*}(\nu^{0})\in\mathcal{A}_{m}$, максимизируя $H^{1}$;
• (ii) Задача мажорного агента: при оптимальной стратегии минорного агента $\nu^{1,*}$ мажорный агент выбирает $\nu^{0,*}\in\mathcal{A}_{M}^{q_{0}}$, максимизируя $H^{0}$.

Определение 2.1 (равновесие Stackelberg). Пара $\nu^{*}:=(\nu^{0,*},\nu^{1,*}(\nu^{0,*}))$, где $\nu^{0,*}$ и $\nu^{1,*}(\nu^{0,*})$ решают задачи мажорного и минорного агентов соответственно, называется равновесием Stackelberg.

3. Основные результаты

Основные результаты явно выводят единственное равновесие Stackelberg. Начинаем с задачи минорного агента.

3.1. Решение задачи минорного агента

Через $L^{2}([0,T]^{2})$ обозначаем пространство измеримых ядер $\mathcal{T}:[0,T]^{2}\to\mathbb{R}$ с

Предположение 3.1. Параметры $\alpha$ в (2.13) и $\kappa_{1}$ в (2.7) удовлетворяют

Пусть $r^{1}=(r^{1}_{t})_{t\in[0,T]}$ — решение уравнения Риккати с переменным коэффициентом

При Предположении 3.1 решение $r^{1}$ существует и единственно на $[0,T]$ (Предложение 6.5 оригинала). Далее

и ядро $\mathcal{K}:[0,T]^{2}\to\mathbb{R}_{+}$

Ядро $\mathcal{K}$ принадлежит $L^{2}([0,T]^{2})$. Для любой $\nu^{0}\in\mathcal{A}_{M}^{q_{0}}$ определим предсказуемый процесс

Теорема 3.2 (решение задачи минорного агента). Пусть $\nu^{0}\in\mathcal{A}_{M}^{q_{0}}$. При Предположении 3.1 существует единственная оптимальная стратегия $\nu^{1,*}(\nu^{0})\in\mathcal{A}_{m}$, максимизирующая (2.13):

Замечание 3.3. Предположение 3.1 достаточно для строгой вогнутости функционала (2.13) и тем самым единственности решения.

Замечание 3.4. Оптимальное управление (3.6) можно записать в feedback-форме

В частном случае без постоянного импакта ($\kappa_{i}=0$) и при постоянной $\phi^{1}>0$ формула (3.6) совпадает с оптимальной стратегией Belak et al. (2019, Теорема 3.1).

3.2. Решение задачи мажорного агента

Следующий шаг — максимизатор функционала (2.10) при оптимальной стратегии минорного агента $\nu^{1,*}$ из (3.6). Как часто бывает в играх Stackelberg, вторая фаза технически трудна. Упрощаем предположение о сигнале $A$ в (2.1):

где $\mu=(\mu_{t})_{t\in[0,T]}$ — $(\mathcal{F}_{t})$-адаптированный процесс с

Это адаптация предположений Cartea, Jaimungal (2016) и Lehalle, Neuman (2019) о сигнале в одноагентных задачах исполнения. Обозначим

Линейные операторы в $L^{2}([0,T])$

Для линейного оператора $\mathsf{T}:L^{2}([0,T])\to L^{2}([0,T])$ операторная норма

$B(L^{2}([0,T]))$ — пространство ограниченных линейных операторов с этой нормой. Для ядра $\mathcal{T}\in L^{2}([0,T]^{2})$ интегральный оператор

принадлежит $B(L^{2}([0,T]))$ по неравенству Коши–Буняковского. Композиция: $(\mathsf{T}_{2}\mathsf{T}_{1}\psi)(t):=(\mathsf{T}_{2}(\mathsf{T}_{1}\psi))(t)$.

Специальные операторы модели

Вводим ядро $\mathcal{G}:[0,T]^{2}\to\mathbb{R}_{+}$

Ядро $\mathcal{G}$ симметрично и лежит в $L^{2}([0,T]^{2})$. Операторы $\mathsf{G}$ и $\mathsf{S}$ на $\psi\in L^{2}([0,T])$:

Оба оператора принадлежат $B(L^{2}([0,T]))$. Оператор $\mathsf{G}$ допускает спектральное разложение по положительным собственным значениям $(\zeta_{n})_{n\ge 1}$ и собственным функциям $(\psi_{n})_{n\ge 1}$. Резольвентное ядро

где сумма сходится равномерно и равномерно-абсолютно на $[0,T]^{2}$. Резольвентный оператор

Обозначим $\mathit{1}(t)$ — константу $1$ на $[0,T]$.

Теорема 3.5 (решение задачи мажорного агента). Пусть $\nu^{1,*}$ задана (3.6) и выполнено Предположение 3.1. Тогда существует единственная оптимальная стратегия $\nu^{0,*}\in\mathcal{A}_{M}^{q_{0}}$, максимизирующая (2.10):

где

Кроме того, $\nu^{0,*}_{t}$ непрерывна на $[0,T]$. Константа $\eta$ корректно определена — это часть доказательства допустимости (3.15).

Следствие 3.6. При Предположении 3.1 пара $(\nu^{0,*},\nu^{1,*}(\nu^{0,*}))\in\mathcal{A}_{M}^{q_{0}}\times\mathcal{A}_{m}$ — единственное равновесие Stackelberg в смысле Определения 2.1.

Замечание 3.7. Стратегия $\nu^{0,*}$ в (3.15) выражена через резольвенту $\mathsf{R}$. Раздел 5 даёт численную схему аппроксимации $\nu^{0,*}$ через конечномерные проекции $\mathsf{G}$: вычисление $\mathsf{R}$ сводится к обращению матрицы (Предложение 5.4 и Теорема 5.6).

Замечание 3.8. Самый трудный шаг равновесия Stackelberg — стратегия игрока, действующего первым. Здесь потребовался новый подход через теорию интегральных уравнений.

Замечание 3.9. Иллюстрации раздела 4 показывают: минорный агент в каждом периоде может выбирать хищническую или кооперативную стратегию относительно мажорного в зависимости от компромисса между order-flow мажорного агента и сигналом (Рис. 1). Качественно это сравнимо с детерминированной моделью Schöneborn, Schied (2009): в однопериодном случае конкурент тоже продаёт и затем выкупает из-за инвентаря; в двухпериодном — либо кооперация (покупка, затем продажа), либо round-trip в первом периоде.

Замечание 3.10. Сумма в (3.13) сходится равномерно; равномерная абсолютная сходимость гарантирует независимость $\nu^{0,*}$ от нумерации собственных значений и функций $\mathsf{G}$.

4. Иллюстрации и экономическая интерпретация

Иллюстрируем равновесные стратегии Теорем 3.5 и 3.2. Следуя Lehalle, Neuman (2019), берём сигнал $\mu$ в виде процесса Орнштейна–Уленбека

где $W$ — стандартное броуновское движение, $\beta,\sigma>0$. Мартингал $M$ в (2.1):

где $\widetilde{W}$ независим от $W$. Базовые параметры импакта и инвентаря:

Графики строятся численной схемой раздела 5. Полный ортонормированный базис $(a_{i})_{i=1}^{\infty}$:

Вырожденные ядра $\mathcal{G}_{n}$ — частичные суммы ряда Фурье для $\mathcal{G}$; в симуляциях используется $n=300$.

Временная зависимость $\phi^{1}_{t}$ допускает ликвидацию на несколько дней. Берём $T=k\tau$ и параметрическую форму

с $c_{0}=500$, $c_{1}=15$. Функция периодична с периодом $\tau$ и растёт к максимуму при приближении $t$ к $\tau,2\tau,\ldots$ слева, вынуждая минорного агента почти закрывать позицию к концу каждого периода. В примере — ликвидация за рабочую неделю: $T=5$, $\tau=1$.

4.1. Хищничество, кооперация и гибрид

На Рис. 1 оригинала: детерминированный оптимальный инвентарь мажорного агента (зелёная линия) и три реализации оптимального инвентаря минорного агента — хищническая (синяя), кооперативная (красная) и гибридная (фиолетовая); в нижней панели — соответствующий сигнал $\mu$.

Из (2.6) следует, что импакт оптимальной стратегии мажорного агента воспринимается как детерминированный сигнал. Распродажа мажорного агента давит цену вниз и создаёт возможности для минорного. Поэтому, как видно из (3.6), минорный агент отслеживает «импактированный» сигнал $\mu_{t}-\kappa_{0}\nu^{0,*}_{t}$, а не сырой $\mu_{t}$. В зависимости от прогноза импактированного сигнала в каждом периоде минорный агент торгует в том же направлении, что и мажорный, или против — отсюда predatory (front-running), cooperative или hybrid стиль на $[0,T]$.

4.2. Однодневная ликвидация и бенчмарк

Для сравнения рассмотрим однодневную ликвидацию. Бенчмарк $\nu^{0,\mathrm{BM}}$ — стратегия мажорного агента, игнорирующего активность минорного ($\kappa_{1}=0$):

При $m_{0}=0$ это TWAP. Горизонт — шесть часов (10:00–16:00), $T=6$; параметры слегка изменены: $\sigma=1.5$, $\alpha=50$, $\phi^{1}_{t}\equiv 1$.

На Рис. 2: оптимальная скорость мажорного агента $\nu^{0,*}$ заметно отклоняется от бенчмарка, учитывая adverse-эффект реакции минорного агента. Поскольку стратегия мажорного детерминирована, решения опираются на поперечное среднее стратегий минорного агента. В начале оптимальна более высокая скорость, чем у бенчмарка: ранние цены ещё не ухудшены дополнительным импактом минорного агента. В середине горизонта скорость ниже бенчмарка — мажорный учитывает возможность сонаправленной торговли минорного и частично минимизирует негативную экстерналию агрегированного постоянного импакта. В конце два фактора: необходимость выполнить $Q_{T}^{0,\nu^{0,*}}=0$ и осознание того, что в среднем минорный агент закроет короткую позицию покупкой, подняв цену; поэтому существенная доля ликвидации откладывается на последний час. Рис. 3 — соответствующие траектории инвентаря.

4.3. Многодневная ликвидация

На Рис. 4 для многодневной ликвидации снова: скорость мажорного агента относительно бенчмарка сильно растёт в начале и конце каждого дня; в среднем минорный агент набирает короткую позицию в начале дня (давление на цену вниз) и выкупает к концу дня (давление вверх). Все стили (predatory / cooperative / hybrid) сходятся к почти нулевому инвентарю к концу дня из-за периодических running-штрафов (4.6). Мажорный агент не ликвидирует с постоянной скоростью: в первый день скорость заметно выше, чем в последний. Интенсивная ликвидация первого дня порождает большой alpha через $\kappa_{0}\nu^{0,*}_{t}$, способный перевесить реалистичные реализации $\mu_{t}$ и вынудить минорного агента торговать сонаправленно независимо от стиля в последующие дни.

4.4. PnL относительно бенчмарка

Практический интерес — сравнение PnL оптимальной стратегии $\nu^{0,*}$ и бенчмарка $\nu^{0,\mathrm{BM}}$. Для однодневной ликвидации (Рис. 5) — гистограмма относительной производительности в базисных пунктах:

Среднее распределения строго положительно: оптимальная стратегия в среднем превосходит бенчмарк. Учёт order-flow HFT улучшает исполнение институционального инвестора.

4.5. U-образный внутридневной объём

Известный эмпирический факт: внутридневной объём имеет U-образный профиль с пиками в начале и конце дня (Cartea et al., 2015, гл. 4). На Рис. 6 — кривая объёма, индуцированная оптимальным поведением обоих агентов: 1000 реализаций стратегий минорного агента; абсолютное число акций, торгуемых обоими за минутные бины с 10:00 до 16:00; $\log(1+\mathrm{volume})$. Медиана по бинам воспроизводит U-образный паттерн, аналогичный эмпирическим кривым.

5. Численная схема

Теорема 3.5 даёт $\nu^{0,*}$ в замкнутой форме через резольвенту $\mathsf{R}$, зависящую от собственных значений и функций $\mathsf{G}$. В простых случаях (например $\phi^{1}\equiv 0$) спектр вычисляется явно через корни трансцендентного уравнения (приложение A). Для общей неотрицательной кусочно непрерывной $\phi^{1}$ явный спектр может быть недоступен. Раздел 5 строит схему вычисления $\nu^{0,*}$, полностью обходящую спектр, и тем самым равновесие Следствия 3.6.

Обозначим $\mathsf{I}$ — тождественный оператор на $L^{2}([0,T])$. Резольвента (3.14) записывается как

Оптимальная стратегия удовлетворяет операторному уравнению

Идея — заменить (5.2) последовательностью приближённых уравнений, решения которых сходятся к $\nu^{0,*}$.

Оператор $\mathsf{G}$ компактен, поэтому существует последовательность конечноранговых $\mathsf{G}_{n}$ с $\|\mathsf{G}_{n}-\mathsf{G}\|\to 0$. Берём полный ортонормированный базис $(a_{i})$ (например (4.5)) и

Определение 5.1 (вырожденное ядро). Ядро $\mathcal{T}$ вырождено, если $\mathcal{T}(t,s)=\sum_{i=1}^{n} a_{i}(t)b_{i}(s)$ для конечного набора функций.

Частичные суммы

сходятся к $\mathcal{G}$ в $L^{2}([0,T]^{2})$. Соответствующие конечноранговые операторы

Предложение 5.2. При Предположении 3.1 имеем $\|\mathsf{G}_{n}-\mathsf{G}\|\to 0$.

Приближённые уравнения к (5.2) с $\mathsf{G}_{n}$ вместо $\mathsf{G}$ сводятся к конечномерным линейным системам (обращение матриц Грама). Предложения 5.4–5.5 и Теорема 5.6 оригинала доказывают сходимость приближённых стратегий $\nu^{0,n}$ к $\nu^{0,*}$ и корректность приближённых констант $\eta_{n}$. На практике $n=300$ даёт баланс точности и вычислительной стоимости для иллюстраций раздела 4.

Замечания 5.7–5.9 (суть). Схема не требует явного спектрального разложения $\mathsf{G}$; достаточно проекций на базис Фурье (или иной полный базис). Сходимость в операторной норме обеспечивает сходимость стратегий в $L^{2}$ и поточечную непрерывность предельной $\nu^{0,*}$. Реализация сводится к численному интегрированию для коэффициентов $b_{i}$ и обращению матрицы размера $n\times n$.

6. Заключение

Статья строит явное многопериодное равновесие Stackelberg между медленным институциональным инвестором (мажорный агент) и HFT (минорный агент) при внешней информации в дрейфе цены и агрегированном постоянном/временном price impact.

Ключевые выводы:

• Явное равновесие. Оптимальная стратегия HFT (Теорема 3.2) — feedback по инвентарю и условному ожиданию импактированного сигнала; оптимальная стратегия института (Теорема 3.5) — через резольвенту уравнения Фредгольма, порождённого ответом HFT.
• Predatory vs cooperative. В каждом периоде HFT может фронтраннить поток института или торговать кооперативно — в зависимости от знака и силы импактированного сигнала $\mu_{t}-\kappa_{0}\nu^{0,*}_{t}$ относительно периодических штрафов за инвентарь.
• Не шум. Учёт среднего ответа HFT существенно улучшает PnL института относительно бенчмарка, игнорирующего минорного агента. Order-flow HFT — не «шум», а стратегически значимый компонент исполнения.
• Микроструктурные паттерны. Равновесные стратегии эндогенно порождают U-образный внутридневной объём и характерные ускорения ликвидации в начале и конце сессий/дней.
• Метод. Теория интегральных уравнений даёт податливое многопериодное решение при асимметрии частот, информации и инвентарных ограничений — там, где классические Nash-модели predatory trading либо детерминированы, либо ограничены одним-двумя периодами.

Практический смысл для TCA и дизайна алгоритмов исполнения: оптимальная траектория крупного мета-ордера зависит не только от собственного импакта, но и от стратегической реакции быстрых игроков на наблюдаемый поток и внешние сигналы. Игнорирование этой реакции систематически ухудшает исполнение.

Приложения (кратко)

Полные доказательства — в разделах 6–10 и приложениях A–C оригинала (PDF, 66 страниц). Кратко содержание:

• Раздел 6. Доказательство Теоремы 3.2: вариационное исчисление для задачи минорного агента, уравнение Риккати, представление через ядро $\mathcal{K}$, строгая вогнутость при $2\alpha\ge\kappa_{1}$.
• Раздел 7. Доказательство Теоремы 3.5: подстановка ответа HFT в функционал мажорного агента, сведение к квадратичной задаче в $L^{2}$, резольвента $\mathsf{R}$, fuel-ограничение через множитель $\eta$.
• Разделы 8–9. Спектральные свойства $\mathsf{G}$, компактность, симметрия ядра $\mathcal{G}$, вспомогательные леммы об операторах.
• Раздел 10. Сходимость численной схемы (Предложения 5.2, 5.4, 5.5, Теорема 5.6).
• Приложение A. Пример явного спектрального разложения при $\phi^{1}\equiv 0$.
• Приложения B–C. Технические доказательства лемм раздела 6 (необходимость/достаточность условий оптимальности).

Литература

1. Almgren, R. and Chriss, N. (2000). Optimal execution of portfolio transactions. Journal of Risk, 3:5–39.
2. Belak, C., Muhle-Karbe, J., and Ou, K. (2019). Liquidation in target zone models. Market Microstructure and Liquidity.
3. Carlin, B. I., Lobo, M. S., and Viswanathan, S. (2007). Episodic liquidity crises: Cooperative and predatory trading. Journal of Finance, 62(5):2235–2274.
4. Cartea, Á. and Jaimungal, S. (2016). Incorporating order-flow into optimal execution. Mathematics and Financial Economics, 10:339–364.
5. Cartea, Á., Jaimungal, S., and Penalva, J. (2015). Algorithmic and High-Frequency Trading. Cambridge University Press.
6. Casgrain, P. and Jaimungal, S. (2019). Trading algorithms with learning in latent alpha models. Mathematical Finance.
7. Casgrain, P. and Jaimungal, S. (2020). Mean-field games with differing beliefs for algorithmic trading. Mathematical Finance, 30(3):995–1034.
8. Cont, R. (2011). Statistical modeling of high-frequency financial data. IEEE Signal Processing Magazine, 28(5):16–25.
9. Cont, R., Micheli, A., and Neuman, E. (2022). Fast and Slow Optimal Trading with Exogenous Information. arXiv:2210.01901 (66 страниц); SSRN 4489258.
10. Drapeau, S., Luo, P., Schied, A., and Xiong, D. (2019). An FBSDE approach to market impact games with stochastic resilience. Preprint.
11. Evangelista, D. and Thamsten, Y. (2020). On competition in financial markets with price impact. Preprint.
12. Fu, G., Horst, U., and Xia, X. (2020). Portfolio liquidation games with self-exciting order flow. Preprint.
13. Gârleanu, N. and Pedersen, L. H. (2016). Dynamic portfolio choice with frictions. Journal of Economic Theory, 165:487–516.
14. Kirilenko, A., Kyle, A. S., Samadi, M., and Tuzun, T. (2017). The Flash Crash: High-frequency trading in an electronic market. Journal of Finance, 72(3):967–998.
15. Lehalle, C.-A. and Neuman, E. (2019). Incorporating signals into optimal trading. Finance and Stochastics, 23:275–311.
16. Micheli, A., Muhle-Karbe, J., and Neuman, E. (2021). Closed-loop Nash competition for liquidity. Preprint.
17. Neuman, E. and Schied, A. (2022). Protecting pegged currency markets from speculative investors. Mathematical Finance.
18. Neuman, E. and Voß, M. (2021). Optimal signal-adaptive trading with temporary and transient price impact. Preprint.
19. Neuman, E. and Voß, M. (2022). Trading with the crowd. Preprint.
20. Porter, D. and Stirling, D. S. G. (1990). Integral Equations: A Practical Treatment, from Spectral Theory to Applications. Cambridge University Press.
21. Roşu, I. (2019). Fast and slow informed trading. Journal of Financial Markets, 43:1–30.
22. Schöneborn, T. and Schied, A. (2009). Liquidation in the face of adversity: Stealth vs. sunshine trading. SSRN.
23. U.S. Securities and Exchange Commission (2014). Equity Market Structure Literature Review. Part II: High Frequency Trading.
24. Voß, M. (2022). A two-player price impact game. SIAM Journal on Financial Mathematics.

Перевод основного текста с сохранением структуры, формул и ключевых результатов. Полные доказательства — в оригинале: arXiv:2210.01901 (66 страниц) · Cont, Micheli, Neuman.