چهار ریسک اصلی معاملات الگوریتمی فرکانس بالا (قسمت اول)

معاملات الگوریتمی، به استفاده از الگوریتم های کامپیوتری (مجموعه قوانین یا ساختاری است که به کامپیوترها داده می شود تا وظیفه محول شده را اجرا کند) به منظور معامله بلوک های بزرگ سهام یا دیگر دارایی های مالی با در نظر داشتن کمینه کردن اثر بازار روی چنین معاملاتی، اشاره دارد.

معاملات الگوریتمی، سفارش ها را بر مبنای ضوابط تعریف شده اجرا می کند و این سفارش ها را به حدی کوچک می کند که روی قیمت سهم یا دارایی تاثیر زیادی نگذارد.

معاملات الگوریتمی به دلیل کمینه کردن عنصر انسانی، “بهترین اجرای سفارش” را تضمین می­کند و می تواند برای معامله در بازارهای چندگانه و دارایی های مختلف خیلی بهتر و کارآمدتر از معامله گران حرفه ای عمل کنند که این موارد از مزایای واضح این نوع معاملات می باشد.

معاملات الگوریتمی فرکانس بالا چیست؟

معاملات الگوریتمی فرکانس بالا (HFT) را از چندین منظر می توان تعریف کرد . می توان آن را بعنوان دوپینگی برای معاملات الگوریتمی در نظر گرفت. همانطور که از عبارت آن استنتاج می شود، معاملات فرکانس بالا، اجرای هزاران سفارش با سریع ترین زمان ممکن می باشد و هدف آن شناسایی سود کم در هر معامله است که اغلب با اختلاف قیمت سهم یا دارایی یکسان در بازارهای مختلف، این امر میسر می شود.

HFT کاملا مخالف سرمایه گذاری سنتی بلند مدت و خرید و نگهداری است و فعالیت های آربیتراژی و بازارگردانی از کارهای معمول معاملات HFT است که در دوره های زمانی بسیار کوچک، قبل از اینکه این اختلاف قیمت از بین برود، اجرا می شوند.

معاملات الگوریتمی و HFT به دلیل همگرایی با چندین فاکتور، تبدیل به بخشی از بازارهای مالی شده اند. این فاکتورها شامل رشد نقش تکنولوژی در بازار، افزایش پیچیدگی ابزارهای مالی و حرکت بدون توقف به سمت کارایی بیشتر در اجرای معاملات و کاهش هزینه های تراکنش می شود. در حالی که معاملات الگوریتمی و HFT به طور قابل ملاحظه ای نقدشوندگی بازار و ثبات ارزش گذاری دارایی را بهبود بخشیده اند، ریسک هایی را نیز به همراه دارد که نمی توان از آنها چشم پوشی کرد. بعضی از این ریسک ها در زیر آورده شده است.

بزرگترین ریسک: تقویت ریسک سیستماتیک

از بزرگترین ریسک های معاملات الگوریتمی HFT، می توان به ریسکی اشاره کرد که به سیستم مالی تحمیل می شود.

در تاریخ جولای ۲۰۱۱، گزارشی از جانب کمیته فنی و کمیسیون اوراق و بهادار بین المللی (IOSCO) منتشر شد که اشاره کرده بود، به علت ارتباط شدید بین بازارهای مالی، اجرای الگوریتم های بین بازاری می توانند شوک سریعی را از یک بازار به بازاری دیگر وارد کنند، بنابراین ریسک سیستماتیک تقویت می شود. در این گزارش از سقوط بازار (Flash Crash) در ماه می ۲۰۱۰ بعنوان مثال این ریسک اشاره شده است.

سقوط بازار به افت و بازگشت ۵-۶ درصدی اکثر شاخص های اصلی سهام ایالات متحده که در فاصله زمانی چند دقیقه در بعداز ظهر ۶ ماه می ۲۰۱۰ رخ داد، اشاره می کند. شاخص داو جونز تقریبا ۱۰۰۰ واحد افت کرد که در آن زمان به عنوان بزرگترین افت شاخص ثبت شد. همانگونه که گزارش IOSCO اشاره می کند، سهم ها و ETF (صندوق های قابل معامله) های زیادی در آن روز از کنترل خارج شدند و قبل از جبران ضررهایشان، بین ۵ تا ۱۵ درصد افت داشتند. بیش از ۲۰،۰۰۰ معامله روی ۳۰۰ اوراق در قیمت هایی معامله شدند که نزدیک به ۶۰% نسبت به ارزش لحظه ای خود فاصله داشتند. بعضی از معامله ها در قیمت های مضحکانه ای انجام شد (از کمتر از یک پنی تا بیشتر از ۱۰۰،۰۰۰ دلار). این معاملات هیجانی غیرمعمول، سرمایه گذاران را نگران و مضطرب کرد، مخصوصا اینکه درست یک سال بعد از برگشت بازار از بزرگترین افت شش دهه اخیرش اتفاق می افتاد.

آیا حمله جعلی به بازار (spoofing) به سقوط بازار کمک کرد؟

چه چیزی باعث این رفتار عجیب و غریب شد؟

در گزارشی که در سپتامبر ۲۰۱۰ منتشر شد، SEC (کمیسیون اوراق بهادر و سازمان بورس) و کمیسیون معاملات آتی و فلزات، انگشت اتهام را به سمت معامله گری در شرکت صندوق سرمایه گذاری مشترک واقع در کانزاس دراز کرد که از برنامه معاملاتی با حجم ۴٫۱ میلیارد دلار استفاده کرده بود. اما در آوریل ۲۰۱۵، مقامات آمریکایی، معامله گری در لندن با نام Navinder Singh Sarao را به دستکاری قیمت در بازار که به سقوط آن منجر شد، متهم کردند. این اتهام منجر به دستگیری و تحویل او به دولت ایالات متحده آمریکا شد.

ساراو متهم به استفاده از تاکتیکی شده بود که به “حمله جعلی (spoofing)” شهرت داشت، به طوری که حجم زیادی از سفارش های تقلبی از دارایی و اوراق مشتقه به بازار ارسال می کرد و قبل از اینکه بخواهد سفارش اجرا شود، آن را کنسل می کرد (ساراو از قرارداد روزانه E-mini S&P500 در روز سقوط بازار استفاده کرده بود). زمانی که چنین سفارش های بزرگ مقیاس ساختگی در صفحه سفارشات نمایش داده می شد، به دیگر معامله گران این حس القا می شد که در خرید یا فروش سود بیشتری نهفته است و روی تصمیم گیری معاملاتی آنها به شدت می توانست تاثیر بگذارد.

بعنوان مثال، یک اسپوفر ممکن است تعداد زیادی از سهام ABC را در قیمتی با فاصله بسیار کم از قیمت فعلی، پیشنهاد فروش دهد. اینجاست که دیگر فروشندگان، هیجانی می شوند و در پی اقدام فروش آنها، قیمت پایین تر می آید و اسپوفر سریعا سفارش فروش خود را در ABC لغو و به جای آن، سفارش خرید می گذارد. سپس حجم زیادی سفارش خرید برای ABC می گذارد تا قیمت را بالا ببرد و وقتی این اتفاق افتاد، این اسپوفر از فروش ABC سود مطلوبی می برد و دیگر سفارش های خرید قلابی را کنسل می کند. این عمل بارها و بارها تکرار می شود.

خیلی از افراد باور نمی کردند که یک معامله گر توانسته باشد شخصا باعث چنین سقوطی در بازار شود که منجر به کاهش نزدیک به تریلیون دلار ارزش بازار سهام ایالات متحده آمریکا در چند دقیقه شود. اما اقدامات ساراو از مباحث روز آن زمان شده بود. با این وجود چندین دلیل معتبر وجود داد که بیان می کند چرا الگوریتم های HFT ریسک سیستماتیک بازار را تقویت می کنند.

چرا الگوریتم های HFT ریسک سیستماتیک بازار را افزایش می دهند؟

الگوریتم های HFT به چند دلیل ریسک سیستماتیک بازار را تقویت می کنند.

شدت بخشیدن به نوسانات:  از آنجایی که فعالیت الگوریتم های HFT در این روزهای بازار زیاد است، تلاش برای ربودن گوی رقابت، یکی از ویژگی های اصلی اکثر الگوریتم ها می باشند. الگوریتم ها می توانند به طور لحظه ای به تغییر شرایط بازار واکنش نشان دهند. نتیجتا، در طول مدت آشفتگی های بازار، الگوریتم ها ممکن است اسپرد خرید و فروش خود را بیشتر در نظر بگیرند (تا از اینکه مجبور به گرفتن پوزیشین هایی باشند، اجتناب کنند) یا موقتا دست از معامله کردن می کشند که نتیجه آن کاهش نقدشوندگی و افزایش نوسان خواهد بود.

اثرات موجی: با توجه به افزایش درجه همبستگی بین بازارها و دارایی ها در اقتصاد جهانی، تجزیه و تحلیل بازارهای اصلی یا کلاس های دارایی اغلب به صورت موجی زنجیروار، کنش هایی را به دیگر بازارها و دارایی ها وارد می کند. سقوط بازار مسکن ایالات متحده آمریکا به دلیل رکود جهانی و بحران بدهی ایالات متحهد به علت ارائه اوراق بدون پشتوانه به هلدینگ های ایالات متحده نه تنها از طرف بانک های آمریکا بلکه از طرف بانک های اروپایی و دیگر موسسات مالی و اعتباری، از مثال های این گونه اثرات موجی هستند. مثال دیگری از اثرات موجی، تاثیر خسارت بار سقوط بازار سهام چین، همچنین سقوط قیمت نفت خام، بر روی سهام جهانی از اگوست ۲۰۱۵ تا ژانويه ۲۰۱۶ می باشد.

عدم قطعیت:  الگوریتم های HFT سهم شایانی در اغراق نوسانات بازار دارند، به طوری که می توانند در کوتاه مدت روی عدم قطعیت سرمایه گذار و در بلند مدت روی اعتماد به نفس مشتریان تاثیر بگذارند. زمانی که بازار ناگهانی سقوط می کند، سرمایه گذاران مبهوت می مانند و دائما به دنبال دلیل قانع کننده برای چنین افت دراماتیکی می گردند. در طول مدتی که خلاء اخباری وجود دارد، معامله گران حرفه ای (شامل شرکت های HFT)، پوزیشن های معاملاتی خود را قطع می کنند تا به مقیاس ریسک قبلی خود برگردند که فشار رو به پایین بیشتری به بازار اعمال می شود. همانطور که بازارها پایین تر می روند، حد ضررهای بیشتری فعال می شود و این چرخه بازخورد های منفی، سرآشیبی دیوانه کننده ای را به وجود می آورد. اگر این بازار منفی به دلیل چنین فعالیت های ادامه پیدا کند، اعتماد به نفس مشتری با فرسایش ارزش سهام و سیگنال های رکودی که از افت بازارهای اصلی صادر می شود، از بین می رود.

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *