Liquidity-Based Audit of Algorithmic Trading Strategies
算法交易策略的流动性审计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确分析相关交易策略聚集、火售外部性和福利损失，最贴近系统性风险方向。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
算法交易策略的流动性审计
- 研究问题
- 能否仅凭交易与价格历史、无需知道策略信号或优化目标，识别算法策略的净流动性需求，并分析多策略聚集带来的外部性？
- 方法与思路
- 作者通过精确多期遗憾分解构造统计量，在 AR(1) 成本过程下联系隐含价差，再扩展至内生价格冲击和相关策略的聚合。
- 材料陈述的贡献
- 摘要称统计量符号可区分线性策略的净流动性供需角色，并得到随策略数平方扩大的火售福利损失，使用 CRSP 股票数据校准。
- 阅读关注点
- 应核对净流动性统计量的定义、线性策略和成本过程限制、内生冲击下的福利度量，以及平方规模外部性成立的聚合条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；摘要未给出完整模型条件与校准细节，理论外部性不能据此视为已验证的市场规律。
原文摘要
We show that net demand for liquidity by algo strategies is identifiable from its trade and price history alone, with no knowledge of its signal or optimization problem. An exact multi-period regret decomposition implies that the sign of this statistic classifies a linear strategy as a net liquidity consumer or provider, recovering the Kyle (1985) informed-trader/market-maker dichotomy from observables alone. Under an AR(1) cost process, the same statistic equals the product of strategy size and the squared Roll (1984) implied spread, making the correction a direct proxy for prevailing illiquidity. Extending to endogenous price impact and aggregating across N correlated strategies yields a liquidity-balance condition whose violation produces welfare loss scaling as N squared, a closed-form fire-sale externality. We calibrate to CRSP equity data (2016-2025), tracking implied spreads through the COVID-19 and 2022 rate-shock episodes, with an estimator computable in O(Tnd) time.