Ликвидность определяет возможность быстро купить или продать актив без существенного влияния на его цену. Для алгоритмической торговли это критический параметр: низкая ликвидность увеличивает издержки исполнения, ограничивает размер позиций и повышает риски проскальзываний.
Количественная оценка ликвидности позволяет фильтровать торгуемую вселенную, оптимизировать исполнение ордеров и лучше управлять рисками портфеля. Ликвидность имеет несколько измерений: объем торгов, ширину спреда, глубину рынка и воздействие на цену. Каждое измерение требует специфических метрик и методов расчета.
Основные показатели ликвидности
Объемные метрики
Average Daily Volume (ADV) — базовый показатель, отражающий среднее количество акций, торгуемых за день. Расчет выполняется как простое (SMA) или экспоненциальное скользящее среднее (EMA) за период от 20 до 90 торговых дней:
ADV = (V₁ + V₂ + … + Vₙ) / n
где:
- Vᵢ — объем торгов в день i (в акциях);
- n — количество торговых дней в периоде;
- ADV — средний дневной объем (акции).
Метрика показывает типичную активность по инструменту, но не учитывает стоимость акций. Акция с ценой $10 и объемом 1 млн акций имеет ту же ADV, что и акция за $100 с тем же объемом, хотя ликвидность в денежном выражении различается в 10 раз.
Показатель Dollar Volume устраняет эту проблему, измеряя ликвидность в денежном эквиваленте. Формула расчета:
Dollar Volume = ADV × Price
где:
- Price — обычно используется средняя цена за период или цена закрытия;
- Dollar Volume — средний дневной оборот в долларах.
Для институциональной торговли релевантен именно Dollar Volume. Позиция в $10 млн составляет 10% от дневного оборота при Dollar Volume $100 млн, что создает значительный риск влияния на рынок (price impact) независимо от количества акций.
Еще одна часто используемая объемная метрика ликвидности — Free Float. Это доля акций, доступных для свободного обращения (исключая стратегические пакеты инсайдеров, государства, акции с ограничениями на продажу, которые нельзя продавать в течение определенного периода времени).
Показатель Free Float важен для оценки реальной глубины рынка. Формула его расчета:
Free Float Ratio = Free Float Shares / Total Shares Outstanding
где:
- Free Float Shares — акции в свободном обращении;
- Total Shares Outstanding — общее количество выпущенных акций;
- Free Float Ratio — доля свободно торгуемых акций (обычно 0.3-0.9).
Низкий Free Float при высоком ADV сигнализирует о потенциальной повышенной волатильности, поскольку при малом числе акций в обращении даже небольшой дисбаланс спроса и предложения приводит к резким ценовым движениям, частым гэпам и проскальзываниям.
Спред и его производные
Bid-Ask Spread — это разница между лучшей ценой покупки и продажи в книге заявок (order book). Абсолютный спред измеряется в пунктах цены:
Absolute Spread = Ask − Bid
где:
- Ask — лучшая цена продажи;
- Bid — лучшая цена покупки;
- Absolute Spread — ширина спреда в валюте котировки.
Относительный спред (Relative Spread) нормализует метрику для сравнения инструментов с разными ценами. Он измеряется в процентах от средней цены и рассчитывается по формуле:
Relative Spread = (Ask − Bid) / Midpoint × 100%
Здесь Midpoint равен (Ask + Bid) / 2.
Относительный спред 0.05% считается узким для ликвидных акций, 0.5% и выше указывает на низкую ликвидность. Метрика чувствительна к микроструктуре рынка: в периоды высокой волатильности спред расширяется даже для ликвидных инструментов.
Еще один показатель — эффективный спред (Effective Spread) измеряет реальные издержки исполнения сделки относительно средних цен в момент размещения ордера:
Effective Spread = 2 × |Trade Price − Midpoint| / Midpoint × 100%
где:
- Trade Price — цена исполнения сделки;
- Midpoint — среднее значение между ценами покупки (bid) и продажи (ask) на момент сделки;
- Множитель 2 нормализует метрику к формату затрат на полный цикл сделки (round-trip cost).
Effective Spread часто оказывается меньше котируемого спреда благодаря тому, что сделка исполняется по более выгодной цене, чем текущая лучшая котировка bid или ask. Это может происходить при исполнении ордеров внутри спреда, либо при предоставлении дополнительной ликвидности маркет-мейкерами. Для алгоритмической эффективный спред позволяет получить наиболее точную оценку транзакционных издержек.
Еще одна метрика — реализованный спред (Realized Spread) отражает фактическую прибыль маркет-мейкера после учета изменения рыночной цены в течение короткого периода после сделки. Метрика показывает, насколько выгодной оказалась сделка для поставщика ликвидности с учетом последующего движения цены — то есть после того, как рынок скорректировался к новому равновесию.
Формула расчета реализованного спреда следующая:
Realized Spread = 2 × Side × (Trade Price − Midpoint_t+Δ)
где:
- Side может принимать значения +1 для покупки, −1 для продажи;
- Midpoint_t+Δ — средняя цена через интервал Δ после сделки (обычно 1-5 минут).
Разница между Effective Spread и Realized Spread отражает так называемую стоимость неблагоприятного отбора (adverse selection cost) — то есть потенциальные убытки маркет-мейкера, возникающие при торговле с информированными участниками рынка.
Высокое значение adverse selection cost указывает на повышенный уровень информированного потока ордеров (informed flow) или активность высокочастотных трейдеров (HFT), которые способны предвосхищать будущие изменения цен. В таких условиях маркет-мейкеры чаще несут убытки, поскольку их котировки используются информированными участниками для извлечения выгоды из ожидаемого движения цены.
Показатели глубины рынка
Глубина стакана заявок (Order Book Depth) — это показатель, отражающий объем заявок на покупку и продажу на определенных ценовых уровнях или в пределах спреда. Он характеризует ликвидность рынка и способность участников исполнять крупные ордера без существенного влияния на цену.
Формула расчета Order Book Depth:
Depth at Level k = ∑(Volume_i) for i ∈ [1, k]
где:
- Volumeᵢ — объем заявок на уровне i ордербука;
- k — количество учитываемых уровней (например, top 5 или top 10);
- Depth — совокупный объем, выраженный в акциях или денежном эквиваленте.
Чем глубже стакан, тем более устойчив рынок к крупным сделкам и тем меньше проскальзывание при исполнении ордеров. Глубокий стакан повышает рыночную ликвидность и снижает волатильность котировок.
Однако видимая глубина не всегда отражает реальную ликвидность. На практике она может быть искажена:
- Скрытыми (iceberg) ордерами — когда часть объема намеренно не отображается в публичных котировках;
- Динамическим управлением котировками маркет-мейкеров, которые быстро обновляют заявки в ответ на изменение рыночных условий.
Поэтому при анализе глубины ордербука важно учитывать, что фактическая ликвидность может отличаться от наблюдаемой.
Дисбаланс глубины рынка (Market Depth Imbalance) — это индикатор, оценивающий соотношение спроса и предложения в ордербуке. Он показывает, какая сторона: покупатели или продавцы доминирует на рынке в данный момент.
Imbalance принимает значения в диапазоне от −1 до +1, а его формула расчета следующая:
Imbalance = (Bid Volume − Ask Volume) / (Bid Volume + Ask Volume)
где:
- Bid Volume — совокупный объем заявок на покупку (обычно учитываются топ 5–10 уровней стакана);
- Ask Volume — совокупный объем заявок на продажу..
Положительное значение Imbalance (преобладание заявок на покупку) указывает на повышенный спрос и нередко предшествует росту цены. Отрицательное значение (преобладание заявок на продажу) отражает избыточное предложение и может сигнализировать о снижении цены.
Эта метрика широко используется в краткосрочных торговых стратегиях и execution-алгоритмах, где важно точно определить тайминг входа и выхода из позиции. Высокие значения дисбаланса помогают алгоритмам прогнозировать вероятное направление движения цены и оптимизировать момент исполнения ордеров.
Кумулятивный профиль глубины (Cumulative Depth Profile) строится путем суммирования объемов заявок по мере удаления от midpoint — средней цены между лучшими bid и ask. Его формула:
Cumulative Depth(p) = ∑ Volume_i для всех уровней на расстоянии p от midpoint
где:
- p — ценовое расстояние от midpoint (в пунктах или процентах);
- Cumulative Depth — совокупный объем, доступный для исполнения при движении цены на величину p.
График Cumulative Depth позволяет визуализировать, какой объем можно исполнить при заданном price impact. Резкие перепады на графике часто указывают на крупные лимитные ордера, которые могут служить уровнями краткосрочной поддержки или сопротивления.
Такой анализ помогает оценить рыночную ликвидность, плюс понять, насколько легко можно реализовать крупные сделки, и прогнозировать потенциальное влияние больших ордеров на цену в ближайшей перспективе.
Метрики воздействия на цену
Коэффициент неликвидности Amihud (Amihud Illiquidity Ratio) измеряет влияние объема торгов на движение цены, показывая, насколько сильно цена реагирует на каждую единицу объема. Рассчитывается он следующим образом:
Amihud = (1/n) × ∑(|Return_i| / Dollar Volume_i)
где:
- Return_i — дневная доходность в день i (обычно |log(P_i / P_i-1)|);
- Dollar Volume_i — оборот в долларах в день i;
- n — количество дней в периоде (обычно 20-250).
Метрика показывает, насколько чувствительна цена к объему торгов. Высокий Amihud Ratio указывает, что даже относительно небольшие сделки могут вызывать существенное движение цены, что сигнализирует о низкой ликвидности выбранного актива.
Коэффициент Amihud особенно полезен для сравнения ликвидности различных инструментов и оценки изменений ликвидности во времени, позволяя аналитикам и трейдерам корректно оценивать риск исполнения крупных ордеров и потенциальное проскальзывание.
Показатель Price Impact per Million оценивает изменение цены при исполнении ордера на $1 млн. Что позволяет оценить транзакционные издержки, связанные с влиянием объема на цену:
Price Impact = β × (Order Size / ADV)^γ
где:
- Order Size — размер ордера в долларах;
- ADV — средний дневной оборот в долларах;
- β — коэффициент impact (зависит от инструмента и рынка);
- γ — показатель степени (эмпирически около 0.5-0.7).
Нелинейная зависимость отражает реальную микроструктуру рынка: x2 размера ордера не приводит к x2 price impact. Параметры β и γ обычно калибруются на исторических данных по исполнению ордеров или берутся из моделей transaction cost analysis (TCA).
Учет данного показателя позволяет трейдерам и аналитикам прогнозировать стоимость входа и выхода из позиции, корректно учитывая влияние больших ордеров на рынок и потенциальное проскальзывание.
Метрика Kyle’s Lambda (λ) определяет чувствительность цены к потоку ордеров (order flow) и отражает информационную составляющую price impact — то, насколько рынок воспринимает торговые потоки как сигнал о будущей цене:
λ = Cov(ΔPrice, Order Flow) / Var(Order Flow)
где:
- ΔPrice — изменение midpoint за период;
- Order Flow — подписанный объем сделок (положительный для покупок, отрицательный для продаж);
- λ (lambda) — коэффициент Kyle (размерность: $/акция).
Высокое значение λ указывает на то, что рынок интерпретирует order flow как информационный сигнал, и цены корректируются в соответствии с этим.
Лямбда широко используется в моделях оптимального исполнения (optimal execution models) для прогнозирования временного влияния ордеров на цену (temporary price impact) и планирования стратегии разбиения крупных сделок на части с минимальными издержками.
Методы расчета показателей ликвидности
Расчет на основе биржевых данных
Большинство метрик ликвидности вычисляется на основе 3-х типов рыночных данных:
- OHLCV (Open, High, Low, Close, Volume);
- Тиковые данные (каждая сделка);
- Снимки книги заявок (Order book snapshots).
OHLCV данных достаточно для расчета базовых метрик ликвидности, таких как: Average Daily Volume (ADV), Dollar Volume, Amihud Illiquidity Ratio. Расчет обычно выполняется путем агрегации дневных значений с использованием скользящих окон. Например, для ADV типично применяют окно 20–60 дней, а для Amihud Ratio — 20–250 дней, в зависимости от временного горизонта стратегии.
Тиковые данные необходимы для вычисления Effective Spread и Realized Spread. При этом каждая сделка содержит:
- временные метки (timestamp);
- цену исполнения;
- объем;
- направление (aggressor side).
Midpoint на момент сделки восстанавливается из синхронизированных данных книги заявок, либо аппроксимируется как среднее между ценами последовательных сделок противоположного направления.
Данные ордербука используются для расчета метрик глубины рынка и присутствующего дисбаланса:
- Level 1 (best bid/ask) — достаточно для расчета спредов;
- Level 2 (топ 5–10 уровней) — для глубинных метрик (Depth, Cumulative Depth);
- Полный order book (Level 3) — для детального анализа микроструктуры рынка.
Снимки книги заявок — это история изменений ордербука. Частота таких снимков может варьироваться от 1 секунды до 100 миллисекунд в зависимости от целей анализа.
Важно не забывать про синхронизацию данных из разных источников. Данные по сделкам и из ордербука должны иметь общую временную метку с точностью до десятков миллисекунд, поскольку асинхронность приводит к искажению метрик (например, Effective Spread может быть рассчитан относительно устаревшего midpoint, что завышает оценку транзакционных издержек).
Временные горизонты измерения
По временным горизонтам метрики ликвидности различают на:
- Внутридневные (intraday);
- Дневные;
- Недельные;
- Месячные.
Внутридневные метрики измеряют ликвидность в течение торговой сессии. Интересно отметить, что сезонность присутствует и здесь. Например, минимальная ликвидность наблюдается в первые и последние 30 минут торгов (market open и close), максимальная — в середине сессии. Для корректной оценки расчет выполняется отдельно для разных временных сегментов.
Типичная декомпозиция торговой сессии:
- Opening auction (первые 5-10 минут): широкие спреды, высокая волатильность;
- Morning session (10:00-12:00): стабильная ликвидность;
- Lunch period (12:00-14:00): снижение активности на некоторых рынках;
- Afternoon session (14:00-15:30): пиковая ликвидность;
- Closing auction (последние 30 минут): расширение спредов, рост объемов.
Дневные метрики агрегируют данные за полную торговую сессию. В этом случае ADV и Dollar Volume рассчитываются как среднее за n дней, при этом выбор n зависит от целей: 20 дней для краткосрочной торговли, 60-90 дней для портфельных стратегий. Использование простого скользящего среднего предпочтительнее экспоненциального для объемных метрик, так как дает более стабильную оценку без переоценки недавних аномалий.
Для долгосрочного анализа трендов ликвидности часто используют недельные и месячные агрегации. Такой подход позволяет выявлять сезонные паттерны и циклы активности на рынке, в том числе:
- снижение ликвидности перед праздниками;
- летний период с низкой торговой активностью;
- квартальные пики, связанные с ребалансировкой индексных фондов.
Для сглаживания краткосрочных аномалий и выявления устойчивых трендов применяются скользящие окна с перекрытием. Например, 4-недельное скользящее среднее с недельным шагом позволяет нивелировать случайные всплески активности и получить более точное представление о динамике ликвидности.
Такой метод анализа особенно полезен для портфельных стратегий, риск-менеджмента и прогнозирования транзакционных издержек, где важно учитывать как краткосрочные, так и сезонные колебания ликвидности.
Нормализация и сравнение
Абсолютные значения метрик ликвидности иногда несопоставимы при торговле разными инструментами: из-за различий в ценах, капитализации и отраслевой специфике. Для корректного сравнения и построения рейтингов применяют нормализацию, которая приводит метрики к единой шкале и позволяет формировать композитный скор ликвидности.
Наиболее популярный метод нормализации — Z-score. Z-скор нормализует данные через стандартные отклонения от среднего и вычисляется по формуле:
Z = (X − μ) / σ
где:
- X — значение метрики для инструмента;
- μ — среднее значение по группе (например, весь рынок или сектор);
- σ — стандартное отклонение;
- Z — нормализованное значение.
Интерпретируется этот скор так: инструмент с Z = 2 имеет ликвидность на два стандартных отклонения выше среднего.
Важно учитывать, что данный метод чувствителен к выбросам: один неликвидный инструмент смещает среднее и искажает Z-scores остальных. В этом случае можно заменить среднее на медиану, а стандартное отклонение на MAD (Median Absolute Deviation).
Метод Percentile ranking присваивает каждому инструменту процентиль (от 0 до 100) в распределении метрики:
Percentile = (Rank − 1) / (N − 1) × 100
где:
- Rank — порядковый номер инструмента при сортировке по метрике;
- N — общее количество инструментов.
Интерпретация: инструмент в 90-м процентиле ликвиднее 90% остальных.
Такой процентильный рейтинг устойчив к выбросам и не требует каких-либо предположений о свойствах распределений, однако может терять информацию о величине различий: инструменты с близкими значениями могут попасть в разные процентили.
Метод Cross-sectional Standardization нормализует метрики внутри групп (например, по секторам, размеру капитализации или географическому региону). Его обычно используют при оценке ликвидности активов в разных секторах рынка.
К примеру, сравнивать акции банковского сектора и технологического сектора по абсолютным значениям Dollar Volume некорректно, так как финансовый сектор по своей природе обладает более высокой ликвидностью. Группировка инструментов по группе сопоставимых компаний (peer group) устраняет структурные различия и позволяет оценивать относительную ликвидность внутри группы.
Метод Time-series Normalization учитывает историческую динамику метрики для каждого инструмента. Формула метода:
Z_t = (X_t − μ_historical) / σ_historical
где:
- X_t — текущее значение метрики;
- μ_historical — среднее значение за исторический период (например, 1–2 года);
- σ_historical — стандартное отклонение за тот же период;
- Z_t — отклонение текущей ликвидности от типичного уровня.
Метод позволяет выявлять аномалии и резкие изменения ликвидности. Например, Z_t < −2 сигнализирует о внезапном снижении ликвидности относительно нормального уровня для данного инструмента. Такой подход полезен для мониторинга рисков, так как резкое падение ликвидности может предшествовать корпоративным событиям или кризисным ситуациям на рынке.
Composite Liquidity Score
Отдельные метрики ликвидности измеряют различные аспекты: объем отражает активность, спред — издержки, depth — устойчивость к крупным ордерам, price impact — информационную эффективность. Composite score агрегирует несколько метрик в единый показатель для ранжирования инструментов.
Простейший подход — расчет сводного показателя ликвидности, представляющего собой равновзвешенное среднее нормализованных метрик:
Liquidity Score = (1/k) × ∑ Z_i
здесь:
- Z_i — нормализованное значение метрики i (Z-score или percentile);
- k — количество метрик.
Метод предполагает, что все метрики в равной степени важны. На практике релевантность зависит от стратегии: для HFT критичны спред и order book depth, для портфельного управления — Dollar Volume и price impact.
Взвешенный composite score присваивает метрикам различные веса:
Liquidity Score = ∑ (w_i × Z_i)
где:
- w_i — вес метрики i (∑ w_i = 1);
- Z_i — нормализованное значение метрики i.
Веса определяются на основе корреляции метрик с целевой переменной (например, реальные издержки исполнения) или экспертных оценок. Типичное распределение для портфельных стратегий: Dollar Volume (30%), Amihud Ratio (25%), Relative Spread (25%), Market Depth (20%).
Еще для оценки ликвидности можно использовать метод PCA (Principal Component Analysis). Он извлекает главные компоненты из набора метрик ликвидности, то есть компоненты объясняющие максимальную дисперсию. Формула расчета PCA:
PC1 = ∑ (loading_i × Z_i)
где:
- loading_i — нагрузка метрики i на первую главную компоненту;
- PC1 — первая главная компонента (обычно объясняет 50-70% дисперсии).
Первая компонента часто интерпретируется как общий фактор ликвидности, вторая — как контраст между объемными метриками и метриками спреда. Метод PCA хорошо устраняет лишний шум, размерность, устраняет мультиколлинеарность, однако усложняет интерпретацию результата.
Использование оценки ликвидности в алгоритмической торговле
Фильтрация торгуемой вселенной
Ликвидность часто выступает первичным фильтром при отборе инструментов для алгоритмической торговли. Все потому, что неликвидные акции (фьючерсы, активы) создают существенные риски:
- Высокие транзакционные издержки;
- Невозможность быстро закрыть позицию;
- Значительные ценовые разрывы (gaps) при исполнении крупных ордеров.
Минимальные критерии для отбора инструментов:
- Dollar Volume > $5–10 млн для внутридневных стратегий;
- Dollar Volume > $20–50 млн для портфельных стратегий;
- Relative Spread < 0.2–0.5% в зависимости от периода холда в позиции;
- Amihud Ratio в нижнем квинтиле распределения по рынку.
Пороговые значения зависят от размера фонда, задач фонда и таймфрейма стратегии. К примеру, если это высокочастотная HFT-стратегия, то для нее нужны активы с первоклассной ликвидностью с Dollar Volume > $100 млн и спредами до 0.05%. В то же время, long-only equity фондам ликвидность уже не так важна, в них допускаются более свободные критерии, и ключевым фильтром становится капитализация компаний.
Есть еще так называемый подход динамической фильтрации. Он заключается в пересмотре торгуемой вселенной по мере изменения ликвидности инструментов. Резкое падение объемов или расширение спредов триггерит исключение инструмента из портфеля.
Подход динамической фильтрации реализуется с помощью скользящих проверок (rolling checks) с частотой от дневной до недельной и с использованием пороговых сигналов (threshold alerts), срабатывающих при отклонении метрик за пределы допустимого диапазона. Это позволяет своевременно исключать неликвидные инструменты и минимизировать транзакционные риски при изменении рыночных условий.
Влияние ликвидности на сайзинг ордеров
Ликвидность ограничивает максимальный размер позиции, который можно накопить или ликвидировать без существенного price impact, т. е. влияния на рынок и котировки.
Например, консервативное правило 5–10% от ADV позволяет оценить безопасный размер позиции:
Max Position Size = k × ADV × Days
где:
- k — доля дневного объема (обычно 0.05-0.10);
- Days — период накопления/ликвидации (обычно 1-5 дней);
- Max Position Size — максимальный размер позиции в акциях.
Интерпретация: позиция в 5% от ADV позволяет полностью войти или выйти за один день с минимальным воздействием на цену. Превышение этого порога требует растягивания исполнения сделки на несколько дней, что увеличивает рыночный риск (market risk) и временной риск (timing risk).
Для портфельных стратегий размер позиции масштабируется с учетом ликвидности по формуле:
Position Size_i = Capital × Weight_i × Liquidity Adjustment_i
где:
- Weight_i — целевой вес инструмента i в портфеле;
- Liquidity Adjustment_i — коэффициент корректировки (0–1) на основе метрик ликвидности;
- Position Size_i — скорректированный размер позиции.
Неликвидные инструменты получают пониженный вес, даже при высокой ожидаемой альфа-доходности. Альтернативный подход — исключать инструменты с Liquidity Adjustment < 0.5, концентрируя капитал в более ликвидной части торговой вселенной.
Влияние ликвидности на алгоритмы исполнения (execution algorithms)
Метрики ликвидности напрямую влияют на выбор алгоритмов исполнения и их настройку. Они помогают определить, какой метод лучше использовать, чтобы минимизировать влияние на рынок, проскальзывание и транзакционные издержки.
Показатель VWAP (Volume Weighted Average Price) оптимален для ликвидных инструментов с предсказуемым профилем объемов внутри дня (intraday volume profile). Его формула:
VWAP Target = ∑ (Price_i × Volume_i) / ∑ Volume_i
где:
- Price_i — цена в интервале i;
- Volume_i — объем в интервале i;
- VWAP Target — целевая средневзвешенная цена.
Алгоритм VWAP распределяет исполнение ордера пропорционально историческому внутридневному профилю объема: больше ордеров исполняется в часы пиковой активности, меньше — в периоды низкой ликвидности. Такая стратегия позволяет минимизировать влияние на котировки, однако требует, чтобы Dollar Volume инструмента значительно превышал размер ордера (обычно в 20 раз и более).
Еще одна часто используемая метрика — TWAP (Time Weighted Average Price). С помощью нее оценивается равномерное распределение входа и выхода в позицию по времени, игнорируя профиль объема (volume profile):
TWAP Slice Size = Total Order Size / Number of Intervals
где:
- Total Order Size — полный размер ордера;
- Number of Intervals — количество временных отрезков (слайсов);
- TWAP Slice Size — размер каждого слайса.
Метод подходит для инструментов с нестабильным volume profile, либо при необходимости скрыть информацию о размере ордера. Однако он менее эффективен из-за более высоких транзакционных издержек при выраженной внутридневной сезонности ликвидности.
Еще один интересный алгоритм исполнения — Implementation Shortfall (IS). Его задача — минимизировать общие транзакционные издержки, включая market impact и opportunity cost, особенно при больших ордерах относительно объема рынка.
Алгоритм IS балансирует между скоростью исполнения (aggressiveness) и ценовым воздействием (market impact) — медленное исполнение уменьшает влияние на цену, но увеличивает риск движения рынка против позиции. Общие издержки исполнения по IS оцениваются как:
IS = ∑ (Pᵢ − P_decision) × Qᵢ
где:
- Pᵢ — цена исполнения i-го блока ордера;
- P_decision — цена на момент принятия торгового решения;
- Qᵢ — объем i-го блока ордера.
Особенности расчета метрик ликвидности для различных рынков
Микроструктура рынка напрямую влияет на интерпретацию и методы расчета метрик ликвидности.
Различия между NYSE и NASDAQ
NYSE использует официальных маркет-мейкеров с обязательствами по котированию, что обеспечивает более стабильные спреды и предсказуемость ликвидности.
NASDAQ работает через конкурирующих дилеров, что создает глубокие книги заявок для акций с высокими торгуемыми объемами, однако спреды могут быть более изменчивыми.
Emerging markets (развивающиеся рынки)
Ликвидность на развивающихся рынках часто фрагментирована, поскольку большая часть объема концентрируется в нескольких крупнейших акциях, остальная часть рынка слаболиквидна, либо неликвидна вообще.
Многие метрики требуют адаптации: например, Dollar Volume $1 млн может быть достаточным для локальных стратегий, а Amihud Ratio корректно сравнивать только внутри страны.
Торговля в пре-маркет и пост-маркет
Рынки в пре-маркете и в заключительные часы обычно имеют сниженную ликвидность по сравнению с основной сессией. Спреды могут быть в 3–10 раз шире, а торговые объемы составляют лишь 5–15% от объемов регулярной сессии (regular session).
В таких условиях метрики ликвидности, такие как spread, depth, Dollar Volume и price impact, необходимо рассчитывать отдельно для регулярной сессии и для остальных часов, в случае если стратегия охватывает оба периода. Это важно для корректного сайзинга позиций, оценки транзакционных издержек и выбора алгоритмов исполнения, так как низкая ликвидность увеличивает риски проскальзывания при крупных ордерах.
Аукционные механизмы (Opening и Closing Auctions)
В аукционах открытия и закрытия торгов классическая концепция спреда неприменима, так как для всех сделок формируется единая clearing price. В этих условиях оценивается не разница между bid и ask, а динамика формирования цены и объема ордеров.
Вместо спреда используются специальные метрики:
- Indicative match price volatility — волатильность ориентировочной цены аукциона, показывающая, насколько сильно потенциальная цена может изменяться в процессе согласования спроса и предложения;
- Imbalance metrics — эти метрики измеряют дисбаланс между объемом заявок на покупку и продажу, отражая потенциальное расхождение между индикативной и итоговой аукционной ценой.
Эти показатели позволяют оценить рыночное давление и ликвидность в наиболее острые моменты: открытия и закрытия сессии. Их анализ помогает алгоритмам исполнения оптимально размещать ордера и минимизировать ценовое воздействие, особенно для крупных сделок.
Таким образом, при расчете и интерпретации метрик ликвидности необходимо учитывать тип рынка, режим торговли и специфические механизмы исполнения, чтобы адаптировать алгоритмы фильтрации и сайзинга позиций к реальной рыночной среде.
Временная стабильность метрик ликвидности
Ликвидность на рынках нестабильна во времени: кризисы, корпоративные события, смена состава индексов могут вызывать резкие изменения. Мониторинг динамики метрик помогает выявлять структурные сдвиги и аномалии в поведении рынка.
Для оценки согласованности различных показателей ликвидности используют скользящую корреляцию (rolling correlation):
ρ_t(X, Y) = Cov_t(X, Y) / (σ_t(X) × σ_t(Y))
где:
- Cov_t(X, Y) — ковариация метрик X и Y в окне вокруг времени t;
- σ_t — стандартное отклонение в том же окне;
- ρ_t — скользящая корреляция.
При нормальных условиях корреляция между Dollar Volume и обратным коэффициентом Amihud Ratio составляет 0.6–0.8. Снижение до 0.3–0.4 сигнализирует о рыночной дислокации: объемы растут, но чувствительность цены к сделкам усиливается — часто это происходит в периоды внезапных новостей, форсированных ликвидаций, резких падениях рынка.
Для автоматического выявления периодов различной ликвидности применяют модели переключений режимов (regime detection) с использованием моделей Маркова или правил на основе порогов (threshold-based rules). Типичные режимы:
- normal liquidity;
- stressed liquidity;
- crisis.
Переход между режимами может инициировать корректировку размера позиции (сайзинга), расширение допущений по разнице котировок bid-ask в риск-моделях или даже временную приостановку торговли в экстремальных условиях.
Лично я рекомендую отслеживать всплески волатильности в комплексе с объемами, так как они часто предвещают краткосрочные аномалии ликвидности. Например, внезапное увеличение объема без заметного сужения спреда указывает на исполнение крупных ордеров против ограниченной глубины рынка — типичный паттерн институциональной ликвидации или аккумулирования позиций. В таких условиях алгоритмы исполнения должны умерять агрессивность сделок, избегая дополнительного давления на уже перегруженную сторону книги заявок и минимизируя риск значительного ценового воздействия.
Заключение
Количественная оценка ликвидности преобразует качественное понятие в измеримые метрики, которые могут быть напрямую использованы в алгоритмической торговле.
Объемные показатели, спреды, глубина книги заявок и другие метрики отражают разные стороны ликвидности, показывая как доступность объема для торговли, так и стоимость исполнения и устойчивость рынка к большим ордерам. Их комплексный анализ позволяет полноценно оценивать рыночную ликвидность, выявлять слабые места и принимать обоснованные решения для фильтрации инструментов, сайзинга позиций и настройки алгоритмов исполнения.