Liquidity-Based Audit of Algorithmic Trading Strategies
创建于 更新于
摘要
本研究提出一种基于成本-交易轨迹的流动性审计框架，能够仅凭成本向量 ct 与策略输出 π̂t(ct) 的观测数据，将策略对市场流动性的净需求识别为“流动性消费方”或“流动性提供方”，且该分类与 Kyle (1985) 的有信息 trader/做市商二分法在观测数据层面等价实现 [page::3][page::8]。在 AR(1) 成本过程下，该协方差的自协方差校正恰与 Roll 的隐含买卖价差联系在一起，得到一个无需额外计算即可从轨迹数据中提取的深度代理指标 s2，反映市场 illiquidity 的即时程度，并在 COVID-19 与 2022 年利率冲击等事件中得到实证一致性 [page::9][page::7]。将单策略推广至 N 个相关策略的共同因子成本结构时，若净 liquidity 需求未能达到平衡，将产生以 N2 为尺度的福利损失的 fire-sale 外部性，提供对市场脆弱性的闭式表述 [page::10][page::11]。本文以 CRSP 数据（2016–2025）进行标定， Roll 隐含价差随时间变化并与市场深度波动相吻合，疫情期显著上升，2022 年则大幅收缩，验证了该代理指标作为市场深度的实时反映能力 [page::11][page::15]。该框架还给出一个低成本的轨迹估计器，时间复杂度为 O(T · nd)，可直接用于监管层面的黑箱审计与透明化披露 [page::4][page::13]。
