Декомпозиция доходностей и Quote Skewing: математика защиты от токсичного потока

Оглавление

• Первоисточники и академический контекст
• Математический аппарат факторизации доходности
  • Разделение функции логарифмического правдоподобия
  • Точный аналитический вид ковариации $\text{Cov}(I_{t}, A_{t})$
  • Закон повторного ожидания и численный расчет
• Алгоритмическое котирование: Quote Skewing
• Архитектура конвейера обработки данных
• Программный модуль котирования на Python
• Эмпирическое сопоставление на тиковых данных
  • Анализ факторов статистического преимущества
• Инженерные требования перед промышленным запуском

Оценка будущей доходности финансового актива с помощью стандартной сквозной регрессии методом наименьших квадратов (OLS) сталкивается со специфической структурой финансовых временных рядов: низким отношением сигнала к шуму, асимметрией распределения и выраженной гетероскедастичностью («эффект левериджа»). При оценке скалярной величины $R_{t+1}$ единым уравнением минимизация среднеквадратичной ошибки (MSE) объединяет в одном оптимизационном критерии вероятность знака движения и величину ожидаемой амплитуды.

Ниже приводится формальный математический анализ декомпозиции доходностей на базе работы Станислава Анатольева и Николая Господинова Modeling Financial Return Dynamics via Decomposition (Journal of Business & Economic Statistics, 2010), а также алгоритм расчета асимметричных котировок (Quote Skewing) для защиты пассивных лимитных заявок от неблагоприятного отбора (Adverse Selection) по материалам курса MemLabs (Improve Trading with Decomposed Returns).

Первоисточники и академический контекст

1. Базовая публикация: Stanislav Anatolyev, Nikolay Gospodinov. Modeling Financial Return Dynamics via Decomposition. Journal of Business & Economic Statistics (JBES), Vol. 28, No. 2, 2010, pp. 232–245.
2. Видеоматериалы: MemLabs, Improve Trading with Decomposed Returns (YouTube: IfxKUEu4qjY, 59:16).

Математический аппарат факторизации доходности

Пусть $R_{t}$ — логарифмическая доходность актива за период $t$. Произвольную непрерывную случайную величину доходности можно представить в виде произведения двух случайных величин:

$$ R_{t} = I_{t} \cdot A_{t} $$

где:

• $I_{t} = \text{sign}(R_{t}) \in {-1, +1}$ — дискретный индикатор знака;
• $A_{t} = |R_{t}| \ge 0$ — модуль доходности (магнитуда).

Разделение функции логарифмического правдоподобия

Совместная плотность распределения $f(R_{t} \mid \mathcal{F}_{t-1})$ относительно информационной фильтрации $\mathcal{F}_{t-1}$ факторизуется через условную вероятность:

$$ f(R_{t} \mid \mathcal{F}_{t-1}) = P(I_{t} \mid \mathcal{F}_{t-1}) \cdot f(A_{t} \mid I_{t}, \mathcal{F}_{t-1}) $$

Логарифмическая функция правдоподобия выборки наблюдений объема $T$ аддитивно распадается на две независимые компоненты:

$$ \ln L(\theta) = \sum_{t=1}^{T} \ln P(I_{t} \mid \mathcal{F}_{t-1}; \theta_{I}) + \sum_{t=1}^{T} \ln f(A_{t} \mid I_{t}, \mathcal{F}_{t-1}; \theta_{A}) $$

где вектор параметров $\theta = (\theta_{I}, \theta_{A})’$ разделен на подмножество параметров классификации направления $\theta_{I}$ и подмножество параметров условной регрессии магнитуды $\theta_{A}$. При раздельном оценивании матрица информации Фишера является блочно-диагональной по $(\theta_{I}, \theta_{A})$, что гарантирует асимптотическую состоятельность и эффективность раздельных оценок.

Точный аналитический вид ковариации $\text{Cov}(I_{t}, A_{t})$

Вычислим явный вид ковариации направления и абсолютной величины:

$$ \text{Cov}(I_{t}, A_{t}) = \mathbb{E}[I_{t} A_{t}] - \mathbb{E}[I_{t}] \mathbb{E}[A_{t}] $$

Учитывая, что $I_{t} \in {-1, +1}$ с $P(I_{t}=+1) = p$ и $P(I_{t}=-1) = 1-p$:

$$ \mathbb{E}[I_{t}] = p \cdot (+1) + (1-p) \cdot (-1) = 2p - 1 $$

$$ \mathbb{E}[A_{t}] = p \mathbb{E}[A_{t} \mid I_{t}=+1] + (1-p) \mathbb{E}[A_{t} \mid I_{t}=-1] = p A_{\text{Up}} + (1-p) A_{\text{Down}} $$

$$ \mathbb{E}[I_{t} A_{t}] = p A_{\text{Up}} - (1-p) A_{\text{Down}} $$

Подставляя эти выражения в формулу ковариации и упрощая:

$$ \text{Cov}(I_{t}, A_{t}) = 2 p (1-p) \left( A_{\text{Up}} - A_{\text{Down}} \right) $$

Из этого тождества следует фундаментальный вывод: ковариация обращается в ноль тогда и только тогда, когда условные магнитуды движения вверх и вниз строго равны ($A_{\text{Up}} = A_{\text{Down}}$). Если рынок асимметричен по амплитуде отскоков и падений, предположение о независимости ложно:

$$ \mathbb{E}_{\text{naive}}[R_{t}] = \mathbb{E}[I_{t}] \mathbb{E}[A_{t}] = \mathbb{E}[R_{t}] - \text{Cov}(I_{t}, A_{t}) $$

Закон повторного ожидания и численный расчет

По закону повторного ожидания:

$$ \mathbb{E}[R_{t} \mid \mathcal{F}_{t-1}] = p \cdot A_{\text{Up}} - (1-p) \cdot A_{\text{Down}} $$

Рассмотрим численный пример рыночного состояния:

• $p = P(\text{Up}) = 0.60$, следовательно $1-p = 0.40$;
• $A_{\text{Up}} = 0.01$ (средний прирост при положительном баре составляет $+1.0\%$);
• $A_{\text{Down}} = 0.03$ (среднее падение при отрицательном баре составляет $-3.0\%$).

Ковариация в данном примере равна:

$$ \text{Cov}(I, A) = 2 \times 0.6 \times 0.4 \times (0.01 - 0.03) = 0.48 \times (-0.02) = -0.0096 $$

Наивное вычисление завышает оценку ровно на величину $-\text{Cov}(I, A) = +0.0096$ ($+0.96\%$), ошибочно сигнализируя о покупке там, где истинное матожидание процесса отрицательно.

Алгоритмическое котирование: Quote Skewing

В микроструктуре финансовых рынков маркет-мейкер непрерывно решает задачу балансирования между получением спреда и защитой от токсичного потока ордеров (Adverse Selection).

Используя оценки условной вероятности $\hat{p}_{t}$ и условной магнитуды $\hat{A}_{t}$, котирующий алгоритм разделяет ценообразование на две компоненты: полуспред (Half-Spread) и асимметричное смещение (Skew):

$$ \delta_{t} = \max\left(\frac{1}{2} \cdot \hat{A}_{t} \cdot S_{t}, ; \delta_{\min}\right) $$

$$ s_{t} = 2 \cdot (\hat{p}_{t} - 0.5) \cdot \lambda \cdot \delta_{t} $$

$$ P_{\text{bid}, t} = S_{t} - \delta_{t} + s_{t} $$

$$ P_{\text{ask}, t} = S_{t} + \delta_{t} + s_{t} $$

где $S_{t}$ — текущая средняя цена книги заявок (Mid Price), $\delta_{t}$ — полуспред, $s_{t}$ — величина смещения, $\lambda \in [0, 1]$ — коэффициент передачи направленного сигнала.

Архитектура конвейера обработки данных

flowchart TD
    A["L2 Order Book и поток сделок"] --> B["Извлечение признаков: дисбаланс объемов, скользящие моменты"]
    B --> C["Классификатор знака: Logistic Regression / GBDT с калибровкой"]
    B --> D["Регрессор магнитуды: Ridge / GBDT на абсолютных значениях"]
    C -->|Вероятность p_t| E["Ценовой движок: расчет полуспреда и смещения"]
    D -->|Магнитуда A_t| E
    E --> F{"Проверка инварианта: Bid < Ask?"}
    F -->|Да| G["Генерация лимитных котировок на биржевой шлюз"]
    F -->|Нет| H["Circuit Breaker: блокировка котирования и аудит"]

Программный модуль котирования на Python

Ниже приведена программная реализация расчета декомпозированного математического ожидания и защитного выставления заявок:

"""
Инженерный модуль расчета декомпозированного ожидания доходности
и асимметричного котирования (Quote Skewing).
"""

from dataclasses import dataclass
from typing import Tuple


@dataclass(frozen=True)
class OrderBookQuote:
    bid_price: float
    ask_price: float
    half_spread: float
    skew_offset: float
    expected_return: float


def calculate_decomposed_expectation(
    prob_up: float,
    magnitude_up: float,
    magnitude_down: float,
) -> Tuple[float, float, float]:
    """
    Вычисляет истинное МО, наивное МО и точную ковариацию знака и амплитуды.

    :param prob_up: Оценка вероятности P(I = +1).
    :param magnitude_up: Ожидаемая амплитуда при положительном исходе E[A | I = +1].
    :param magnitude_down: Ожидаемая амплитуда при отрицательном исходе E[A | I = -1].
    :return: Кортеж (e_decomposed, e_naive, covariance).
    """
    if not (0.0 <= prob_up <= 1.0):
        raise ValueError(f"prob_up must be in [0, 1], got {prob_up}")
    if magnitude_up < 0.0 or magnitude_down < 0.0:
        raise ValueError("Magnitudes must be strictly non-negative")

    prob_down = 1.0 - prob_up

    # Истинное математическое ожидание по закону повторного ожидания
    e_decomposed = prob_up * magnitude_up - prob_down * magnitude_down

    # Наивное произведение безусловных ожиданий
    e_sign = 2.0 * prob_up - 1.0
    e_magnitude = prob_up * magnitude_up + prob_down * magnitude_down
    e_naive = e_sign * e_magnitude

    # Точная ковариация Cov(I, A) = 2 * p * (1 - p) * (A_up - A_down)
    covariance = 2.0 * prob_up * prob_down * (magnitude_up - magnitude_down)

    return e_decomposed, e_naive, covariance


def generate_skewed_quote(
    mid_price: float,
    prob_up: float,
    expected_magnitude: float,
    skew_factor: float = 1.0,
    min_spread_bps: float = 1.0,
) -> OrderBookQuote:
    """
    Формирует пару лимитных заявок с учетом смещения и проверки инвариантов книги.
    """
    if mid_price <= 0.0:
        raise ValueError(f"mid_price must be positive, got {mid_price}")
    if expected_magnitude <= 0.0:
        raise ValueError(f"expected_magnitude must be positive, got {expected_magnitude}")
    if not (0.0 <= prob_up <= 1.0):
        raise ValueError(f"prob_up must be in [0, 1], got {prob_up}")

    min_half_spread = (min_spread_bps / 10000.0) * mid_price * 0.5
    raw_half_spread = 0.5 * expected_magnitude * mid_price
    half_spread = max(raw_half_spread, min_half_spread)

    # Расчет смещения
    skew_offset = 2.0 * (prob_up - 0.5) * skew_factor * half_spread

    bid = mid_price - half_spread + skew_offset
    ask = mid_price + half_spread + skew_offset

    # Проверка инварианта отсутствия перекрещивания цен (Non-crossing market)
    if bid >= ask:
        raise RuntimeError(f"Invariant violation: bid {bid} >= ask {ask}")

    expected_return = (prob_up - 0.5) * expected_magnitude

    return OrderBookQuote(
        bid_price=round(bid, 4),
        ask_price=round(ask, 4),
        half_spread=round(half_spread, 4),
        skew_offset=round(skew_offset, 4),
        expected_return=round(expected_return, 6),
    )


if __name__ == "__main__":
    # 1. Проверка аналитического разложения и ковариации
    e_dec, e_nv, cov = calculate_decomposed_expectation(0.60, 0.01, 0.03)
    print(f"E_decomposed: {e_dec * 100:+.2f}%")
    print(f"E_naive:      {e_nv * 100:+.2f}%")
    print(f"Cov(I, A):    {cov:+.6f}")
    assert abs(e_dec - (-0.006)) < 1e-9
    assert abs(e_nv - (+0.0036)) < 1e-9
    assert abs((e_dec - cov) - e_nv) < 1e-9

    # 2. Проверка котировок в нейтральном состоянии
    quote_neutral = generate_skewed_quote(mid_price=100.0, prob_up=0.50, expected_magnitude=0.04)
    assert quote_neutral.bid_price == 98.0 and quote_neutral.ask_price == 102.0

    # 3. Проверка котировок при бычьем смещении
    quote_bull = generate_skewed_quote(mid_price=100.0, prob_up=0.75, expected_magnitude=0.04)
    assert quote_bull.bid_price == 99.0 and quote_bull.ask_price == 103.0

    print("All mathematical invariants and quote verifications passed.")

Эмпирическое сопоставление на тиковых данных

По данным эмпирического тестирования MemLabs на тиковых рядах фьючерсных инструментов получены следующие результаты на выборке Out-of-Sample:

Анализ факторов статистического преимущества

1. Раздельная настройка регуляризации: Оптимизация вероятности знака через минимизацию кросс-энтропии исключает влияние редких экстремальных тиков, которые смещают веса обычной линейной регрессии из-за квадратичного штрафа.
2. Неотрицательность пространства отклика магнитуды: Модуль доходности $|R_{t}|$ моделируется специализированными регрессорами с логарифмическим или обобщенным гамма-распределением, гарантируя физическую неотрицательность оценки волатильности.
3. Устранение ковариационного смещения: Исключение эффекта ложных входов предотвращает выставление котировок в направлении высокочастотного микротренда, когда ожидаемая амплитуда встречного движения превышает накопленный спред.

Инженерные требования перед промышленным запуском

При переносе алгоритма в контур реального исполнения необходимо контролировать следующие ограничения:

• Калибровка вероятностей: Выходы классификатора должны быть строго откалиброваны (калибровка Платта или изотоническая регрессия). Ошибки калибровки вероятности приводят к завышенному смещению котировок.
• Анализ задержек конвейера (Latency): Время вычисления признаков и инференса моделей не должно превышать квант обновления стакана биржи (L2 snapshot latency). При превышении лимита котировки подлежат отзыву.
• Контроль инварианта crossed market: Проверка условия $P_{\text{bid}} < P_{\text{ask}}$ должна выполняться на уровне пре-трейд валидатора перед отправкой ордеров в сетевой стек.
• Автоматический аварийный протокол (Circuit Breaker): При обнаружении аномального дисбаланса книги заявок или скачка волатильности выше установленного порога алгоритм обязан переходить в режим пассивного снятия заявок.