Как ИИ-модели оценивают риск ликвидности при крупных сделках
Как ИИ-модели оценивают риск ликвидности при крупных сделках Автор разбирает, как моделировать риск ликвидности при крупных институциональных сделках (block trades). Проблема в том, что такой ордер может сдвинуть цену ещё до завершения исполнения: видимая глубина стакана исчезает или уходит против трейдера, и привычные ориентиры перестают работать. Классические модели опираются на спред, среднедневной объём и историческую волатильность. По словам автора, они полезны, но пропускают быстрые внутридневные изменения: ордер может наткнуться на мелкую глубину, волну отмен заявок или резкое расширение спреда даже при внешне достаточной исторической ликвидности. Более сильный подход сочетает исторические признаки с данными микроструктуры в реальном времени: глубина bid и ask на нескольких уровнях цен, скорость поступления и отмены заявок, позиция в очереди и вероятность исполнения, волатильность и интенсивность сделок. Вместо одного статического балла модель должна оценивать распределение возможных издержек исполнения, включая хвостовые метрики вроде условной стоимости риска — среднего убытка в худших смоделированных сценариях. Базовая мера дисбаланса стакана — разница глубины bid и ask, делённая на их сумму: значения около единицы говорят о преобладании заявок на покупку, около минус единицы — на продажу. Но дисбаланс только верхней части стакана шумный: крупные показанные заявки могут быть отменены или стоять вдали от исполняемых цен. Поэтому современные модели анализируют последовательности событий, а не отдельные снимки: взвешенный по глубине дисбаланс, истощение очереди, всплески отмен, агрессивный поток сделок и восстановление ликвидности. В качестве архитектур автор называет градиентный бустинг для интерпретируемых краткосрочных прогнозов и рекуррентные или attention-сети для последовательностей событий. Выходы могут включать вероятность следующего движения цены, ожидаемую долю исполнения за интервал, прогноз расширения спреда и оценку временного и постоянного влияния на рынок. Обучать модели нужно на событийных данных с точными метками времени и проверять walk-forward валидацией: случайное разбиение на train/test способно «утечкой» будущих рыночных режимов завысить показатели. Важен и мониторинг дрейфа признаков, поскольку поведение участников меняется. Прогноз имеет ценность, только когда меняет решения исполнения. Автор описывает связку прогнозов ликвидности с правилами маршрутизации: например, рост скорости отмен на стороне bid может означать, что видимая поддержка слабеет — тогда движок снижает участие, дробит остаток на мелкие дочерние ордера или ждёт восстановления ликвидности; стабильное восполнение и узкие спреды, наоборот, оправдывают более быстрое участие. Обязательны ограничения: максимальные доли участия, ценовые коридоры, лимиты размера ордера и аварийные остановки, а оценивать модель нужно по цене прихода, бенчмаркам, реализованному влиянию и стоимости неисполненного объёма, а не только по точности предсказаний. Автор прямо оговаривает границы: дисбаланс вероятностен, его искажают отмены и скрытая ликвидность, он не предсказывает каждое краткосрочное движение и должен применяться вместе с ограничениями исполнения и порогами уверенности. После внедрения предлагается отслеживать реализованное проскальзывание, вероятность исполнения, влияние на рынок, хвостовые убытки, задержки маршрутизации и дрейф модели по режимам ликвидности. Материал завершается рекламой платформы автора и SMS-подписки — это промо-часть, к самой методологии отношения не имеющая. Источник: https://dev.to/vladimir_lialine_b2e67374/liquidity-risk-modeling-essential-ai-for-block-trades-4a85