Artigo técnico

Home/Artigo técnico/Impacto dos Investidores HFTs na Formação de Preço no Mercado Cambial Brasileiro
Impacto dos Investidores HFTs na Formação de Preço no Mercado Cambial Brasileiro 2017-02-10T11:00:42+00:00

Project Description

Impacto dos Investidores HFTs na Formação de Preço no Mercado Cambial Brasileiro

As mudanças tecnológicas e regulatórias foram facilitadores para o surgimento dos investidores HFTs no mix de participantes do mercado financeiro. Como categoria, estes investidores não constituem uma entidade coerente e seu impacto e contribuição para a formação do preço não são claras. Esse trabalho analisou 10 categorias de investidores, que se diferenciam por suas características de latência, a partir de uma base de dados composta por todas as ordens enviadas para o book de dólar futuro com vencimento em 1° de agosto de 2013, da Bolsa de Valores, Mercadorias e Futuros (BM&FBovespa). Os resultados sugerem que a atividade dos investidores de alta frequência no mercado cambial brasileiro é de intermediação. Estes investidores são os que mais impactam o preço de mercado e os que mais contribuem para a formação do preço fundamental.

Introdução

O novo ambiente de negociação é caracterizado pelo crescente ritmo da coleta de informação e a tomada de decisão baseada nesta informação. Velocidade é importante para os investidores por dois motivos. Primeiro, a volatilidade fundamental inerente aos instrumentos financeiros leva ao consentimento de que o rebalanceamento rápido das posições pode resultar em maior utilidade. Segundo, independente da velocidade absoluta, ser mais rápido na aquisição e compreensão da informação que outros investidores pode gerar oportunidade de lucro.

A última consideração parece conduzir a uma corrida armamentista, na qual os investidores utilizam tecnologia de ponta e colocam seus computadores o mais próximo possível do local de negociação a fim de reduzir a latência de suas ordens e ganhar alguma vantagem. Como resultado, os mercados de hoje experimentam intensa atividade em intervalos de milissegundos, algoritmos de computador respondem uns aos outros numa velocidade 100 vezes maior que a necessária para um operador humano piscar.

As bolsas estão investindo fortemente na modernização de seus sistemas para reduzir o tempo necessário para enviar informação para os investidores e para receber e manipular as ordens que estes enviam para o ambiente de negociação, além de disponibilizarem a possibilidade dos investidores colocarem seus computadores perto do sistema de negociação. Simultaneamente, os investidores estão investindo em tecnologia para processar a informação mais rápido, reduzindo o tempo que as mensagens levam para chegar ao sistema e deste ao investidor para pouco mais que um milissegundo.

Com este novo ambiente, surgiu um novo tipo de investidor, o investidor de alta frequência (HFT, da sigla em inglês). Este investidor implementa estratégias que respondem aos eventos de mercado em milissegundos. No Brasil a atividade em alta frequência ainda não é majoritária e enfrenta bastante ceticismo por parte dos investidores e reguladores e as pesquisas acadêmicas sobre o impacto deste tipo de negociação no mercado brasileiro são ainda menores que mundo afora. O objetivo deste artigo é analisar o impacto e contribuição destes investidores para a formação do preço no mercado cambial brasileiro.

Utilizou-se o desequilíbrio do fluxo de ordens como única variável para estimar o impacto da atividade dos investidores de alta frequência na formação do preço do dólar futuro com vencimento em 1° de agosto de 2013, como proposto por Cont et al [1]. Para avaliar a contribuição dos investidores de alta frequência na formação do preço fundamental estimou-se o modelo de decomposição da variância proposto por Hasbrouck [2], o qual decompõe a variância do preço de negociação em variância fundamental e transitória através de um vetor autoregressivo (VAR) dos retornos do preço observado e variáveis dos negócios executados.

A organização do trabalho é como segue. A próxima seção descreve a metodologia utilizada no trabalho. A seção 3 explica como a base de dados utilizada nesse artigo foi produzida e como foi feita a categorização dos investidores. A seção 4 apresenta os resultados para o impacto da atividade dos investidores HFTs no preço de negociação e a contribuição destes investidores para a formação do preço fundamental. E, por fim, a seção 5 conclui a partir dos resultados encontrados.

Metodologia Empírica

Modelo de impacto sobre os preços

Para avaliar o impacto das diferentes categorias de investidores no preço, calibrou-se o modelo de impacto sobre o preço de Cont et al [1]. O modelo relaciona as mudanças de preços com os desequilíbrios no fluxo de ordens e profundidade do book, proporcionando uma ligação entre a volatilidade do fluxo de ordens e a liquidez do mercado.

A literatura empírica sobre o impacto dos preços se concentrou principalmente nas séries de negócios executados. O foco em negociações, no entanto, deixa de fora as informações contidas nas apregoações, que proporcionam uma imagem mais detalhada da formação de preços [3]. Tomado como um todo, a literatura mostra consistentemente que as informações de apregoação tornaram-se tão relevantes quanto as informações de negociação. Os resultados de Cont et al. [1] demonstram que o desequilíbrio do fluxo de ordens é um driver mais forte da evolução dos preços de alta frequência do que as medidas padrão de negócios executados.

Embora estudos anteriores deem uma descrição relativamente complexa do impacto dos eventos do book sobre os preços dos ativos, Cont et al. [1] argumentam que este impacto pode ser modelado utilizando uma única variável, o desequilíbrio do fluxo de ordens (OFI), a qual representa o fluxo líquido de ordens de compra e de venda e acompanha as mudanças no tamanho das filas de compra e venda:

  • aumentando toda vez que a quantidade de ordens de compra aumenta, a quantidade de ordens de venda diminui ou o preço de compra/preço de venda aumenta; e
  • diminuindo toda vez que a quantidade de ordens de compra diminui, a quantidade de ordens de venda aumenta ou o preço de compra/ preço de venda diminui.

A variável OFI trata uma venda a mercado e um cancelamento de compra do mesmo tamanho da mesma forma, uma vez que eles têm o mesmo efeito no tamanho da fila de ofertas. O modelo de impacto sobre os preços resultante desta variável relaciona preços, negócios executados, ordens e cancelamentos de uma maneira simples: linear, requer a estimação de um único parâmetro e mostrou-se robusto para diferentes instrumentos e intervalos de tempo.

O coeficiente de impacto sobre os preços resultante do modelo apresenta sazonalidade intradiária em consonância com os padrões observados nos spreads, profundidade de mercado e volatilidade dos preços ([4], [5], [6], [7]).

Variáveis

Calculou-se as variáveis a partir da emulação do book, de modo que para cada nova ordem calculou-se o melhor preço de compra, pc, a profundidade do primeiro nível do book de compra, dc, o melhor preço de venda, pv e a profundidade do primeiro nível do book de venda, dv, depois que cada ordem é processada. Enumerou-se as observações por n e calculou-se as seguintes diferenças entre observações consecutivas:

Eqn005

A variável en é a contribuição dos eventos do book para o desequilibrio entre oferta e demanda. Utilizou-se duas frequência temporais: {T0 L TI} e {t0,0 L tJ,I para controlar a não estacionariedade intradiária na variação dos preços e do fluxo de ordens.

As frenquências são tais que Ti – Ti-1 ≅ 16 minutos  e tj,i – tj-1,i = Δt = 5 segundos. Para cada intervalo longo [Ti-1, Ticalculou-se a profundidade média do primeiro nível do book, ADi, e 200 variações de preços, Δpj,i, e desequilíbrio no fluxo de ordens, OFIj,i, indexados por j.

(1)

Eqn015

(2)

Eqn016

(3)

Eqn017e18

Onde N(tj-1+1) e N(tj-1) são índices da primeira e última observação pertencente ao intervalo [tj-1,i,tj,i]. O tick size δ é de cinquenta centavos para o mercado de dólar futuro. O intervalo de tempo da frequência mais rápida é da mesma ordem de magnitude (ou maior) que o tempo médio entre mudanças de preços consecutivas.

Antes de calcular as variaveis eliminou-se as observações com os maiores spreads1, pois variações no spread conduzem a outliers na variável dependente Δpt,T. Então, estimou-se os coeficientes do modelo através de regressões MQO.

Especificação do modelo

O modelo consiste de duas equações – a Equação 4 relaciona as mudanças de preços e o fluxo de ordens em uma escala de tempo rápida, e a equação 5 relaciona o coeficiente de impacto no preço da Equação 4 e a profundidade do mercado em uma frequência temporal menor. A Equação 6 é uma versão da Equação 4, na qual a variável OFIj,i é desagregada em variáveis de desequílibrio do fluxo de ordens, uma para cada categoria de investidor.

(4)

Eqn026

(5)

Eqn027

(6)

Eqn028

Onde βi é o coeficiente de impacto sobre o preço para a subamostra i, e γη são parâmetros. εj,ij, ξj,i e ζi representam os erros do modelo, aleatórios e não correlacionados com as outras variáveis.

Primeiramente, calibrou-se as equações 4 e 5 para estabelecer a relação entre mudanças de preços, fluxo de ordens e profundidade do book. Em seguida a variável OFIj,i foi decomposta em parcelas referentes a cada categoria de investidor k e estimou-se a equação 6 a fim de comparar os coeficientes de impacto sobre o preço entre as diferentes categorias.

Modelo de decomposição do preço de negociação

A contribuição dos investidores HFTs na formação do preço fundamental é apreendida na literatura através de modelos de decomposição do preço de negociação. A partir da perspectiva econômica, o preço do instrumento em muitos modelos de microestrutura pode ser interpretado como um preço “informacional fundamental” idealizado, corrompido por perturbações atribuídas às fricções do processo de negociação, de modo que a variação do preço do instrumento se divide entre componentes fundamentais, (permanente ou informacional) e transitórios (fricções atribuídas ao mercado).

No contexto desse artigo, as fricções de mercados estão relacionadas a atividade de negociação dos investidores. Esta distinção é mais sútil do que a primeira, porque, enquanto a diferença entre o componente fundamental e o transitório surge frequentemente em análises econômicas, a preocupação com o papel do negócio per se na determinação do preço é largamente peculiar aos estudos de microestrutura.

O metódo de Hasbrouck [2] supõe que os preços de negociação são determinados pela soma de dois componentes não observáveis: p*n, o preço fundamental, que segue um passeio aleatório e sn, um componente transitório e estacionário referente a diferença entre o preço fundamental e o preço de transação, denominado erro de preço, tal que:

(7)

Eqn037

(8)

Eqn038

(9)

Eqn039

As inovações vn refletem atualizações da informação pública, incluindo, quando relevante, o último negócio realizado. O termo sn é um processo estocástico não deterministico de média zero, com a covariância entre sn e vn constante no tempo. Intuitivamente, sn incorpora todas as imperfeições transitórias de microestrutura que fazem o preço de negociação se desviar do fundamental. sn pode ser serialmente correlacionado e parcialmente correlacionado com vn.

A suposição de estacionariedade na covariância implica que lim E [sn+h] = 0, o que reflete a transitoriedade das imperfeições de microestrutura. Outra implicação desta suposição é homocedasticidade.

A variância fundamental pode ser estimada através de um vetor autoregressivo (VAR) dos retornos de pn, rn, e o sinal do negócio, qk,n, que assume os valores -1; 0; +1 dependendo se a categoria de investidor k enviou uma ordem de venda que gerou negócio, enviou uma ordem que não gerou negociou ou enviou uma ordem de compra que gerou negócio em n, respectivamente.

As observações n foram filtradas de modo que considerou-se para estimação do modelo apenas as observações em que houve negócios ou em que o melhor preço, de compra ou de venda, se alterou. Atualizando o tempo dessa maneira, sempre que ocorre um negócio há uma atualização do retorno, mas não o contrário. Isso implica em que o sentido da causalidade contemporânea é apenas do negócio realizado para a revisão de ordens enviadas, o que é verdade no mercado eletrônico, dado que uma ordem a mercado suficientemente grande pode consumir toda a profundidade do melhor nível disponível e alterá-lo. Adicionalmente, o modelo não permite que os negócios de várias categorias influenciem o retorno contemporaneamente, dado que foram analisadas as transações resultantes de ordens submetidas para um único book.

A especificação do modelo VAR, na forma matricial, é como segue:

(10)Eqn052

(11)

Eqn053

(12)

Eqn054

 Onde Az são matrizes de coeficientes autoregressivos, uma para cada defasagem z e vn é vetor de inovações de média zero serialmente não correlacionado com Var (vr,n) = σ2r, e E[vr,n, vk,n] = 0.

Assumindo invertibilidade, os retornos e qk,n podem ser expressos como uma função linear das inovações correntes e passadas. A representação VMA correspondente ao VAR representado na Equação 10 é como descrito na Equação 13:

(13)

Eqn064

Para o cálculo da variância fundamental apenas a equação referente aos retornos dos modelos VAR e VMA, Equação 14 e 15, respectivamente, são necessárias:

(14)

Eqn065

(15)

Eqn066

O modelo considera o impacto contemporâneo (imediato) das transações no nível de preços. A ordenação causal das transações para os preços é feita com base na observação do comportamento das operações no book. Sempre que há uma transação no mercado, o topo do book é atualizado. A inclusão de variáveis de negócios contemporâneas na equação de retornos garante que a estrutura recursiva da matriz de relações contemporâneas das variáveis, requerida pela decomposição de Cholesky, seja atendida e que a matriz de covariância do modelo VAR se torne diagonal por blocos, permitindo a decomposição das volatilidades em componentes relacionados aos negócios de cada categoria de investidor.

Dessa forma, a variância fundamental é calculada da seguinte maneira:

(16)

Eqn067

Onde bz* e bk,z são coeficientes do modelo VMA. O termo Eqn070, na equação 16, se refere à contribuição da informação pública na volatilidade fundamental. A contribuição relativa da infomação pública é dada por:

(18)

Eqn071

A contribuição relativa de cada categoria k de investidor na volatilidade fundamental é dada por:

(19)

Eqn073

Uma interpretação intuitiva para o cálculo da variância fundamental pode ser dada através da Equação 15. Assuma que em n=0 o sistema esteja inicialmente estável com todas as inovações defasadas iguais a zero. Suponha um choque de negócio dado por vk,0. A primeira atualização de ordens será r0 = bk,0 vk,0 , a segunda será r1 = bk,1 vk,0 e assim por diante. Acumulando todas as revisões, o efeito do negócio inicial no preço pode ser calculado como Eqn078.

A contribuição para a volatilidade fundamental de cada categoria é uma medida da informação contida nos negócios feitos por uma categoria relativa às outras categorias, mas não permite avaliar a contribuição total e absoluta de cada categoria para a volatilidade fundamental.

Base de Dados e Classificação dos Investidores

Base de Dados

A base de dados objeto deste trabalho compreende as ordens enviadas para o book de futuro de dólar com vencimento em 1° de agosto de 2013 (ordens novas, cancelamentos e modificações) da Bolsa de Valores, Mercadorias e Futuros (BM&FBOVESPA) entre os dias 1° e 30 de julho de 2013.

A base traz para cada ordem enviada os seguintes campos: categoria do investidor, horário na precisão de milissegundos, tipo da ordem (limit ou market), lado do book para o qual a ordem foi endereçada (compra ou venda), ação da ordem (nova, modificação ou cancelamento), preço da ordem, quantidade da ordem, além do melhor preço de compra e de venda no momento em que a ordem foi enviada. Foram consideradas apenas as ordens enviadas no período de negociação.

Para o propósito deste estudo, o conjunto de dados está baseado na sequência de pontos discretos que representam a entrada das ordens no book, indexados por . Usando este conjunto de campos sobre as ordens enviadas, reconstruiu-se, dinamicamente, o book de cada dia. Na emulação do book, para cada atualização é guardado o preço e a quantidade da ordem que gera a atualização, além da quantidade total de ordens e os preços dos dez primeiros níveis do book (tanto de compra como de venda) depois da atualização. Para minimizar possíveis erros do emulador (gerados por causa de leilões intradiários, por exemplo, que não podem ser observados nos dados), é sincronizado, dinamicamente, o melhor preço de compra e de venda do emulador com o melhor preço de compra e de venda da base de dados.

O resultado do emulador é uma tabela com todas as ordens enviadas em um dia e o estado do book depois que cada ordem é processada.

Categorias de investidores

A atividade de negociação em alta frequência abrange uma grande variedade de estratégias e agressividade para diferentes ativos ou instrumentos. Para distinguir os investidores de alta frequência dos demais investidores, cabe separar em categorias homogêneas os investidores que exibam características semelhantes. Este é um desafio, devido à qualidade dos dados, bem como uma visão limitada das estratégias utilizadas, dada a sua natureza proprietária. A literatura disponível sugere que os HFTs podem ser classificados em geral, embora não necessariamente ou exclusivamente por tipos de estratégia ([8], [9], [10] e [11]), agressividade na negociação ([12], [13], [14] e [15]) ou latência ([16]).

Escolheu-se classificar os investidores a partir de suas características de latência, uma vez que esta classificação permite uma divisão mais detalhada dos investidores. Os investidores identificados na base de dados foram classificados de acordo com uma série de proxies da sua atividade diária. As proxies e as regras de classificação dos investidores foram escolhidas a partir do reconhecimento dos padrões de atividade de cada categoria de investidor.

Esta abordagem não classifica os investidores com exatidão. Em vez disso, ela infere a classificação a partir dos dados com consequências relativamente desconhecidas para a qualidade da inferência do modelo. Mas a vantagem é que ela permite a construção de uma base de dados fina o suficiente para permitir inferências bastante gerais.

Os dados foram disponibilizados pela BM&FBOVESPA única e exclusivamente para utilização neste trabalho acadêmico e as informações fornecidas preservam a confidencialidade requerida nos termos da legislação em vigor.

O primeiro passo na classificação é separar os investidores inativos, que negociam um volume diário muito pequeno (como categoria, eles negociam os menores volumes do dia analisado, que representam 10% do volume total). Os investidores remanescentes são separados em nove categorias. Quatro destas categorias são subcategorias de HFTs, outras quatro são subcategorias de algoritmos e a última categoria são os investidores que apresentam características de negociação compatíveis com a capacidade humana.

É importante ressaltar que dependendo da atividade do investidor no mercado, ele pode trocar de categorias nos diferentes dias, mas a maioria dos investidores pertence a uma única categoria por todo o período analisado.

HFTs: Investidores de alta frequência são caracterizados por um alto número de mensagens, intervalos curtos entre mensagens e participação constante nas seções de negociação. Estas características podem ser capturadas a partir da relação entre sua posição acumulada máxima e o volume total negociado no dia. Especificamente, eles têm as seguintes características:

  • HFT 1:
    • Ser investidor ativo;
    • Apresentar posição acumulada máxima dividida pelo volume total negociado menor que 0,02.
  • HFT 2:
    • Ser investidor ativo;
    • Não ter sido classificado como HFT 1;
    • Apresentar posição acumulada máxima dividida pelo volume total negociado entre 0,02 e 0,15;
    • A distribuição do tempo entre mensagens ter mediana < 5 ms e percentil 25 < 1 ms.
  • HFT 3:
    • Ser investidor ativo;
    • Não ter sido classificado como HFT 1 ou 2;
    • Apresentar posição acumulada máxima dividida pelo volume total negociado menor que 0,25;
    • Apresentar posição final menor que 5% do volume total negociado.
    • Enviar mais de 100 mensagens a cada 30 minutos, em média.
    • A distribuição do tempo entre mensagens ter mediana < 5 ms e percentil 25 < 1 ms.
  • HFT 4:
    • Ser investidor ativo;
    • Não ter sido classificado como HFT 1, 2 ou 3;
    • Pertencer à lista de investidores marcados como HFT independente do seu comportamento no dia. Estes investidores não se comportam como HFT todos os dias, mas apresentam capacidade de impactar o mercado.

Algoritmos: estes são investidores cuja atividade de envio de mensagens apresenta velocidade maior que a capacidade humana, podendo ou não apresentar características cíclicas. Para identificar a existência de ciclos calculou-se o número de mensagens enviadas em cada intervalo de 50 milissegundos de cada segundo. As características para ser classificado como algoritmo, daqui para frente denominado algo, são:

  • Algo 1:
    • Ser investidor ativo;
    • Não ter sido classificado como HFT;
    • Enviar mais de 100 mensagens a cada 30 minutos, em média.
    • A distribuição do tempo entre mensagens ter mediana < 5 ms e percentil 25 < 1 ms.
  • Algo 2:
    • Ser investidor ativo;
    • Não ter sido classificado como HFT ou Algo 1;
    • Enviar mais de 60 mensagens a cada 30 minutos, em média.
    • A distribuição do tempo entre mensagens ter mediana < 15 ms e percentil 25 < 5 ms.
  • Algo 3:
    • Ser investidor ativo;
    • Não ter sido classificado como HFT ou Algo 1 ou 2;
    • A distribuição do número de mensagens por intervalos de 50 milissegundos dentro do segundo apresentar um intervalo com quantidade de mensagens significativamente maior.
  • Algo 4:
    • Ser investidor ativo;
    • Não ter sido classificado como HFT ou Algos 1, 2 ou 3;
    • Pertencer à lista de investidores marcados como Algoritmos independentemente do seu comportamento no dia. Estes investidores não se comportam como Algoritmos todos os dias, mas apresentam capacidade de impactar o mercado.

Algo lento ou humano: todos os investidores que não apresentaram nenhuma das características necessárias para serem classificados como HFT ou algoritmos.

Resultados

Testes de robustez do modelo de impacto sobre os preços

Seguindo o artigo de Cont et al. [1], fez-se alguns testes de robustez para o modelo de impacto sobre os preços. A Equação 3 foi estimada adicionando o desequilibrio do fluxo de ordens dos 10 níveis do book um a um, até que a equação tivesse 10 variáveis dependentes. Estimou-se também a Equação 3 dez vezes, cada uma delas com o desequilibrio do fluxo de ordens somando os níveis do book de ordens um a um, até o décimo.

As variáveis ​​adicionais no primeiro teste não forneceram uma melhoria significativa em termos de ajuste e seus coeficientes foram estatisticamente insignificantes. No segundo teste só houve melhora no ajuste da soma dos OFIs até o terceiro nível e os resultados são apresentados na Tabela 1.

Cont et al [1] estimou um R2 médio de 65% para uma grande amostra de ações do mercado norte-americano, um valor bem acima do valor encontrado para o mercado brasileiro de futuro de dólar. Esta diferença se dá, possivelmente, pelas particularidades do mercado cambial brasileiro, no qual os bancos realizam suas operações no mercado futuro e transferem ao longo do dia suas posições para o mercado à vista, dada a maior liquidez daquele.

  • Tabela 1: Resultado da regressão univariada com desequilíbrios no fluxo de ordens dos dez níveis do book – média de todas as subamostras T.

As estatísticas-t dos coeficientes foram estimadas com Newey-West, uma vez que os resíduos das regressões apresentaram heterocedasticidade. Para verificar a existência de dependência não-linear no modelo, adicionou-se um termo quadrático OFIt,T* | OFIt,T | como variável adicional na Equação 1. Esta variável apresentou-se estatisticamente insignificante a 5% de significância na maioria das subamostras.

A profundidade do book apresenta um padrão de comportamento intradiário contrário ao comportamento dos coeficientes de impacto sobre os preços, em linha com as previsões do modelo. Para demonstrar este comportamento, calculou-se a média dos coeficientes de impacto e profundidade do book para cada 16 minutos de negociação de todos os dias amostrados. Os resultados são apresentados na Figura 1.

Esta relação inversa implica em que quando a profundidade é baixa, o impacto das ordens no preço é grande, e até mesmo um pequeno desequilíbrio no fluxo de ordens pode resultar em uma flutuação de preço significante. A mesma relação inversa pode ser observada através dos resultados médios da estimação da Equação 2 para todas as subamostras: η = -1,14, t(η) = -17,30 e R2 = 28%.

  • Figura 1: Comportamento intradiário dos coeficientes de impacto sobre o preço e profundidade do book de ordens.

Impacto no preço por categoria de investidores

O modelo linear de impacto sobre os preços de Cont et al. [1] permite comparar o impacto das diferentes categorias de investidores no preço. Como o impacto no preço neste modelo é caracterizado por um único coeficiente de inclinação, pode-se reestimar a Equação 1 substituindo OFIt,Tpor OFIt,t,T  (desequilíbrio do fluxo de ordens da categoria de investidor k no intervalo t ) e comparar o coeficiente de impacto estimado entre as diferentes categorias.

No entanto, existem duas questões metodológicas que fazem a comparação direta dos coeficientes da regressão inadequada. Primeiro, o coeficiente angular de uma regressão MQO univariada depende por construção da var[OFIk,t,T], que é diferente para as diferentes categorias de investidores. Para que os coeficientes sejam comparáveis, as variáveis de desequilíbrio das diferentes categorias foram padronizadas. Após a padronização, o coeficiente angular de uma regressão univariada se torna a correlação de Pearson entre ΔPt,T e OFIk,t,T. Segundo, a estimação da correlação entre ΔPt,T  e o desequilíbrio do fluxo de ordens de uma dada categoria de investidor pode estar enviezada pela influência de uma terceira variável, por exemplo, o desequilíbrio no fluxo de ordens de outra categoria. Para controlar esta influência, estimou-se uma regressão multivariada com o desequilíbrio do fluxo de ordens de todas as categorias de investidores.

Os resultados da estimação das duas regressões, utilizando como variável independente a soma do desequilíbrio de ordens nos três primeiros níveis do book, são apresentadas nas Tabelas 2 e 3. As correlações parciais são menores que as correlações simples, sugerindo a existência de correlações não triviais entre diferentes  OFIk,t,T.

Os investidores HFT 1 apresentaram o maior impacto na variação de preço, em ambas as regressões. Seus coeficientes de impacto no preço são maiores e significantes em mais da metade das subamostras. Este resultado evidencia a alta capacidade destes investidores de impactar o preço, mas ainda não temos evidência da natureza deste impacto. Este impacto pode ser benéfico para o mercado, ou seja, contribuir para que o preço de negociação se aproxime do preço fundamental, ou ser apenas um ruído do padrão de negociação que estes investidores apresentam.

  • Tabela 2: Resultado da regressão com desequilíbrios do fluxo de ordens de cada categoria de investidor.
  • Tabela 3: Resultado da regressão com desequilíbrios do fluxo de ordens de todas as categorias de investidor.

Contribuição de cada categoria para a volatilidade fundamental

A contribuição de cada categoria de investidor para a formação do preço fundamental foi apreendida através da volatilidade fundamental calculada a partir do modelo de decomposição da variância de Hasbrouk [2].

O modelo foi estimado para três intervalos a fim de controlar a não estacionariedade intradiária na variação dos preços. Os intervalos considerados foram uma hora, três horas e todo o dia de negociação. Como os resultados são robustos para todos os intervalos considerados, apresentamos apenas os resultados para os intervalos de uma hora.

Dividindo os 21 dias de negociação em subamostras de uma hora, temos um total de 189 subamostras. O modelo VAR foi estimado com defasagens de 1 a 15 para cada subamostra, e então a melhor defasagem foi selecionado através do criterio AIC. Para uniformizar o modelo VAR a ser estimado para cada subamostras escolhemos 10 defasagens (p=10) como padrão. Com esta quantidade de defasagens o modelo VAR estimado é estável e aceitamos a hipótese de não correlação dos erros para 137 subamostras. A volatilidade fundamental é calculada a partir de 100 defasagens do modelo VMA.

Os resultados encontrados para a contribuição de cada categoria de investidor para a volatilidade fundamental por subamostra, apresentados na Tabela 4, mostram a relevância dos investidores HFT 1 para a formação do preço fundamental. As outras categorias que mais contribuem para a formação do preço fundamental são os Inativos, HFTs 2, Algos 3 e 4 e Algos lentos e humanos.

  • Tabela 4: Contribuição de cada categoria de investidor para a volatilidade fundamental.

Conclusão

Os investidores HFTs não constituem uma entidade coerente. Suas estratégias podem variar com o estilo de negociação, nível de latência, opções de segurança, comércio regional e nuances de regulamentação e o estado do mercado. Por isso, é importante abordar a sua interação com outros participantes e sua contribuição para o impacto sobre a qualidade e a eficiência do mercado com essas diferenças em mente. É um exercício desafiador para os pesquisadores, dado que os parâmetros de controle não podem ser facilmente isolados por causa dos efeitos significativos da interação entre eles.

Esse artigo analisou 10 categorias de investidores, que se diferenciam por suas características de latência. Entre as categorias de investidores HFTs, a categoria HFT 1 (a mais rápida) foi a categoria que mais impactou o preço de negociação do dólar futuro e foi também a categoria com maior contribuição para volatilidade fundamental.

Uma possível interpretação dos resultados emerge da interação desses investidores no ambiente de negociação. Em geral, os investidores mais lentos são investidores fundamentalistas, cujas demandas de compra e venda não estão perfeitamente sincronizadas no tempo. A presença de investidores mais rápidos permite que o descasamento entre demanda e oferta no tempo seja resolvido. Ou seja, os investidores de alta frequência têm o papel de intermediadores dos investidores fundamentalistas, facilitando o processo de formação de preço.

Apesar do resultado evidenciar um aspecto positivo da incorporação de investidores de alta frequência no mix de participantes do mercado futuro de dólar, para determinar que sua presença é benéfica é necessário analisar como seu comportamento contribui para a volatilidade ruidosa, tema para pesquisa futura.

Referências bibliográficas

  • [1] Cont, R., Kukanov, A., e Stoikov, S. (2013): “The price impact of order book events,” Journal of financial econometrics. 12(1), 47-88.
  • [2] Hasbrouck, J. (1991b): “The summary informativeness of stock trades: An econometric analysis,” Review of Financial Studies. 4(3), 571-595.
  • [3] Engle, R. F., e Lunde, A. (2003): “Trades and quotes: a bivariate point process.” Journal of Financial Econometrics. 1(2), 159-188.
  • [4] Ahn, H. J., Bae, K. H., e Chan, K. (2001): “Limit orders, depth, and volatility: evidence from the stock exchange of Hong Kong,” The Journal of Finance. 56(2), 767-788.
  • [5] Andersen, T. G., e Bollerslev, T. (1998): “Deutsche mark–dollar volatility: intraday activity patterns, macroeconomic announcements, and longer run dependencies,” Journal of Finance. 53(1), 219-265.
  • [6] Lee, C. M., Mucklow, B., e Ready, M. J. (1993): “Spreads, depths, and the impact of earnings information: An intraday analysis,” Review of Financial Studie. 6(2), 345-374.
  • [7] McInish, T. H., e Wood, R. A. (1992): “An analysis of intraday patterns in bid/ask spreads for NYSE stocks,” Journal of Finance. 47(2), 753-764.
  • [8] Madhavan, A., Richardson, M. e Roomans, M. (1997): “Why do security prices change? A transaction-level analysis of NYSE stocks,” Review of Financial Studies. 10, 1035-1064.
  • [9] Jones, C. M., Kaul, G., e Lipson, M. L. (1994): “Transactions, volume, and volatility,” Review of Financial Studies. 7(4), 631-651.
  • [10] Securities and Exchange Commission. (2010): “Concept release on equity market structure,” Federal Register. 75(13), 3594-3614.
  • [11] Hendershott, T., Jones, C. M., e Menkveld, A. J. (2011): “Does algorithmic trading improve liquidity?,” The Journal of Finance. 66(1), 1-33.
  • [12] Boehmer, E., Fong, K., e Wu, J. (2012): “International evidence on algorithmic trading,” Available at SSRN 2022034.
  • [13] Kittiakarasakun, J., Tse, Y. e Wang, G. (2012): “The impact of trades by traders on asymmetric volatility for Nasdaq-100 index futures,” Managerial Finance. 38(2), 752-767.
  • [14] Hagströmer, B., e Nordén, L. (2013): “The diversity of high-frequency traders,” Journal of Financial Markets. 16(4), 741-770.
  • [15] Benos, E. e Sagade, S. (2012): “High-frequency trading behaviour and its impact on market quality: evidence from the UK equity market,” Bank of England. N° 469.
  • [16] Baron, M., Brogaard, J. e Kirilenko, A. (2012): “The trading profits of high frequency traders,” Working paper.
  • [17] Kearns, M., Kulesza, A., e Nevmyvaka, Y. (2010): “Empirical limitations on high frequency trading profitability,” arXiv preprint arXiv:1007.2593.
  • [18] Hasbrouck, J., e Saar, G. (2013): “Low-latency trading,” Journal of Financial Markets. 16(4), 646-679.

Autores

Álvaro de Lima Veiga Filho
Álvaro de Lima Veiga Filho
Professor Adjunto da PUC-Rio
Ana Beatriz Vieira de Mattos
Ana Beatriz Vieira de Mattos
BM&FBOVESPA