Джулио Оккионеро о том, почему криптовалюты разрушают модели оценки рисков, разработанные для фондового рынка

Что из двадцати лет работы в областиmatic инвестирования в акции можно, а что нельзя перенести на цифровые активы?

Большая часть количественных инструментов, которые мы используем для торговли акциями, построена на предположениях, которые незаметно нарушаются в случае цифровых активов. Доходность примерно соответствует среднему значению и лишь изредка достигает экстремальных показателей. Рынки закрываются, что обеспечивает естественное регулирование риска. Корреляции достаточно стабильны, чтобы на их основе строить портфель. Ни одно из этих условий не выполняется однозначно в криптовалюте, и те, кто теряет там деньги, обычно являются теми, кто предполагал, что так и будет.

Я используюmatic стратегии торговли на американских акциях, опционах и криптовалютах, и, проведя достаточно времени в сфере цифровых активов, я с опаской отношусь к тем, кто утверждает, что те же модели переносятся без изменений. Это не так. Переносится лишь дисциплина. Практически всё, что находится за пределами цепочки распространения, требует перестройки.

1. Толстые хвосты — это базовый случай, а не исключение

На фондовых рынках пятисигмовый день — это событие, которое вы можете увидеть всего несколько раз за карьеру, и вы строите системы управления рисками, которые рассматривают его как редкое явление. В криптовалюте же движения, которые для S&P 500 были бы экстремальными, происходят в обычные выходные. Распределение не является логнормальным с периодическими шоками. Оно имеет «тяжелые хвосты» в состоянии покоя, и эти хвосты асимметричны, и их асимметрия меняется в зависимости от ситуации с финансированием.

Практическим следствием этого является то, что любая модель риска, откалиброванная на основе гауссова распределения, будет постоянно занижать вероятность разорения. Расчет показателя Value-at-Risk стандартным способом здесь практически бесполезен. Выживают те модели, которые определяют размер позиций на основе эмпирического поведения хвостов распределения, а не на основе подобранной дисперсии, и которые предполагают, что наихудшее наблюдаемое падение является нижним, а не верхним пределом.

Если ваша модель оценки риска никогда не учитывала движение, которое приводит к закрытию вашего фонда, она будет оценивать это движение как нулевое вплоть до момента его совершения.

2. Рынок, который никогда не закрывается, не имеет естественных часов

Управление рисками на фондовом рынке незаметно организуется вокруг закрытия торгов. Проверяются позиции, происходит перебалансировка рисков, а разрыв между позициями на следующий день и закрытием торгов — это известная неизвестность, от которой можно хеджировать риски или создавать резервы. В криптовалюте же закрытия нет. Ликвидность снижается в выходные дни и в часы между основными региональными сессиями, и именно тогда происходят самые большие дисбалансы.

Стратегия, предполагающая возможность выхода по справедливой цене, основана на допущениях относительно стоимости акций на рынке, которые не соответствуют этим допущениям. Достоверные модели рассматривают время суток и день недели как первостепенные факторы риска, резервируют ресурсы для часов низкой активности и никогда не предполагают, что возможность торговать в полдень во вторник говорит о возможности торговать в три часа утра во время каскадного роста.

3. Корреляция, которая подводит вас в самый неподходящий момент

История диверсификации в криптовалюте слабее, чем предполагает маркетинг. В спокойных условиях токены демонстрируют достаточную дисперсию, чтобы рыночно-нейтральный портфель казалсяtrac. В стрессовых ситуациях эта дисперсия исчезает. Практически всё коррелирует с одним макрофактором — широким аппетитом к риску, выраженным через крупнейшие активы, и тщательно выстроенный нейтральный портфель оказывается концентрированной направленной ставкой именно в тот момент, когда это было нежелательно.

Это та же ошибка, которая привела к краху ленивых реализаций паритета рисков на традиционных рынках, только быстрее и резче. Ошибка заключается в моделировании корреляции как константы. Моделирование ее какdent от режима переменной, которая стремится к единице в условиях стресса, — это начало создания пригодной для использования модели.

4. Ликвидность, которая сохраняется до тех пор, пока не исчезнет

Книги ордеров на цифровые активы фрагментированы по десяткам площадок, и общая глубина вводит в заблуждение. Книга ордеров выглядит толстой, потому что вы суммируете ликвидность, к которой фактически не можете получить доступ одновременно, не заставляя каждую площадку торговать против себя. Глубина также нелинейно уменьшается. Первый прирост объема торгуется около котировки, а следующий прирост торгуется гораздо хуже, потому что маркет-мейкеры расширяют или сужают книгу ордеров в тот момент, когда чувствуют присутствие крупного участника.

Тесты на исторических данных, предполагающие возможность совершения транзакций значительных объемов на среднем уровне, не моделируют криптовалюту. Они моделируютtracбез трения, которой никогда не существовало. Реалистичные кривые влияния, для каждой площадки отдельно, здесь не являются усовершенствованием. Они — разница между стратегией и историей.

5. Рефлексивность и отсутствие якоря

У акций есть фундаментальные факторы, которые могут стать предметом споров. Cash потоки, мультипликаторы и балансовые отчеты обеспечивают цене, пусть и ненадежную, привязку. У большей части криптовалют нет сопоставимого якоря, а это значит, что цена в большей степени определяется позиционированием, риторикой и кредитным плечом. Рынок рефлексивен: цены растут приtracпотоков, которые оправдывают более высокие цены, пока кредитное плечо, подпитывавшее движение, не станет механизмом его разворота.

Дляmatic трейдера это говорит о необходимости уделять больше внимания данным о позиционировании и потоках средств, которые на этом рынке, как правило, легко отслеживаются по ставкам финансирования, открытому интересу и движениям внутри блокчейна, и меньше внимания — любым представлениям о справедливой стоимости. Преимущество заключается в анализе перенасыщенности рынка и кредитного плеча, а не в оценке внутренней цены, которой может и не существовать.

6. Определение размера портфеля, когда волатильность является единственным стабильным входным параметром

Если распределение нестабильно, корреляцииdentот режима, а ликвидность фрагментирована, единственной переменной, которую можно измерить с достаточной степенью достоверности, является реализованная волатильность. Это делает определение размера портфеля с учетом волатильности не просто предпочтением, а почти необходимостью. Фиксированный номинальный размер портфеля в активе, волатильность которого может увеличиться в четыре раза за день, — это способ точно следовать намеченному направлению и при этом обеспечить ликвидность на этом пути.

Стратегии, которые я наблюдал на этом рынке, отличаются консервативным подходом: они используют небольшие размеры инвестиций по сравнению с тем, что позволяет тестирование стратегии на исторических данных, сокращают позиции быстрее, чем кажется комфортным, и рассматривают кредитное плечо как основной фактор, снижающий доходность, а не как её повышающий. Асимметрия не прощает ошибок. Можно оказаться на ранней стадии, получить правильный результат и всё равно проиграть.

В итоге все сводится к следующему:

Криптовалюта поощряет количественный подход и наказывает за перенос количественных предположений. Строгость, скептицизм по отношению к аккуратным бэктестам и уважение к возможностям рынка сохраняются. Однако специфический механизм, гауссовы ядра, постоянные корреляции, беспрепятственное заполнение ордеров и таймер риска на момент закрытия торгов — нет. Успеха здесь добиваются те, кто сохранил дисциплину и перестроил модель. Трудности испытывают те, кто предположил, что на таком совершенно ином рынке можно торговать с помощью инструментов, разработанных для столь стабильного рынка.

Об авторе

Джулио М. Оккионеро — руководитель отдела количественных исследований и разработок в IRH Global Trading в Абу-Даби, где он руководит внедрением системныхmatic и количественными исследованиями на американском рынке акций, опционов и цифровых активов. Он имеет образование в области ядерной инженерии и более двух десятилетий проработал в сфере количественных финансов в Италии, США и Объединенных Арабских Эмиратах. Он регулярно пишет статьи о системнойmatic , микроструктуре рынка и инженерной стороне управления инвестициями.