【数据分析】《交易执行质量研究白 皮书》上篇：分析的作用

《交易执行质量研究白 皮书》由两部分组成，主要探讨和规划实现此分析系统的最佳做法，上篇介绍分析的作用，下篇介绍实施的挑战。

本周我们将分享《交易执行质量研究白 皮书》的上篇，下周将分享白 皮书的下半部分，欢迎持续关注~

近年来，资本市场发生了重大变化，买方和卖方公司实施了广泛的解决方案，旨在优化其执行质量。新的监管要求，如金融市场指导机构（MiFID II），竞争的加剧以及其他因素，推动了这些成果。

尽管这些变化提高了透明度，但公司往往无法从所收集的数据中获得全部优势。为实现"最佳执行"模式而做的许多努力，本应侧重于交易执行质量，结果却侧重于违规行为报告。

金融公司需要的系统，是可以为交易者和管理者提供可操作的信息的，这将有助于提高交易的整体质量。

本文介绍了公司面临的交易执行质量挑战，并阐明了需要一种全面的公司整体分析方法来理解和改进交易执行。

许多技术供应商和公司正在开发并实施解决方案，以遵守对交易产生影响的法规，包括MiFID II和欧盟的市场滥用条例（MAR）。理想情况下，此类解决方案可确保合规性，并降低其成本，同时不降低可盈利的交易操作。

回顾过去二十年，我们可以看到，有关贸易技术的规定已变得越来越复杂。1998年实施的《贸易服务（替代交易系统）条例》只是确定了在自动化环境中进行交易的三项指导原则：公平、准入和透明度。然后，在 2005 年，SEC 实施了更复杂的 Reg NMS（国家市场系统），该系统旨在保护秩序。

美国证券交易委员会 （SEC） 和欧洲证券和市场管理局 （ESMA） 现在要求公司提高贸易执行的准确性和质量。（由于没有一个机构管理亚太地区的顶级公共交易市场，因此给那里的市场带来了独特的挑战）

交易成本分析（TCA）是衡量执行质量的一个指标，公司需要有效的方法来识别影响已执行订单价格的所有因素。他们还需要支持信息反馈循环的系统，使交易者能够更改算法、更改执行场所和选择具有不同资产流动性的提供商，以降低成本并提高交易盈利能力。

交易员，量化和销售人员能够利用实时流数据监视最佳执行情况，并实时分析交易活动的损益以及交易成本。

这使他们能够在交易日内立即响应市场事件以及对客户订单流执行和公司获利能力的威胁。

新技术和法规以外的其他因素加剧了贸易环境的复杂性。例如，纽约证券交易所不再因拥有90%以上的上市证券（按交易量）而处于近乎垄断的地位。

今天，美国市场高度分散，大约有14个交易所和40多个"暗池"。客户需求频繁地变化;他们寻求自定义算法，以自己的基准来进行最佳交易执行，并透明地访问交易数据，以便他们可以轻松地测量性能。

最佳执行解决方案因买入和卖出双方而异，但双方都寻求工具，以帮助交易者更好地了解其当前交易的执行质量。一些公司实施了大型、昂贵和耗时的项目，以支持 MiFID II。在几乎所有情况下，这些项目都极大地改善了交易数据的存储，大多数项目也提高了数据质量。

但是，这些项目中大多未能为交易者提供优化执行质量所需的工具。许多公司实施 MiFID II 项目时没有从他们收集的所有数据中获得实际价值，通常看到的最佳执行报告只是报告违规行为但未建议如何提高执行质量。

此外，支持合规性的数据环境，包括金融市场指导机构（MiFIR） 法规所要求的交易和监控交易者，以及支持交易分析的环境往往模糊不清。即使支持合规性与交易团队的目标不同，但其可视化显示几乎相同。这种模糊造成了许多对于质量改进问题的挑战：通常负责确保最佳执行的人看不到最相关的交易活动问题。

报告工作也发生了变化。目前日终交易成本分析 （TCA） 报告并不重要，因为在订单完成后再提醒客户执行中存在的问题已不再足够。

公司需要交易"实时"可见，并且能够在订单仍在执行时向客户通报问题，理想情况下，还要沟通解决这些问题的解决方案。实时分析工具使这种响应能力成为可能。

透明度是关键。交易数据的历史观点可以支持调查、回归测试和交易流程的优化。

逐笔显示交易事件的视觉显示效果——以带有序列 ID 的纳秒级别形式——曾经仅在监控部门提供，但如今也用于交易大厅，使定量分析师能够调查整个交易日的市场微观结构。

市场微观结构使订单记录分析成为焦点。分析师已从查看国家最佳出价和报价 （NBBO） 的数据转向全局资料深度可视化，其中包括公司的所有执行和订单信息（新订单、替换、取消）以及订单期限、按算法策略排列的消息速率、市场运行状况以及公司对市场的影响。

随着数据变得更加分散和复杂，可以进行分析的显著指标数量也有所增加。将当前绩效与预期进行比较并预测订单执行方式的简单统计方法已不再足够。分析员正在使用更多的多变量方法分析交易，从相当简单的决策树到复杂的神经网络，范围很广泛。

使用最先进的系统，他们可以持续比较实际与预测的订单执行指标。交易监控已经演变为同时回答两个问题：订单执行程度与同行和整个市场相比如何？订单执行对预测路径的跟踪有多密切？

分析交易订单执行的过程 – 分析周期 – 包括四个不同的阶段，其中最重要的是数据收集。

这些数据来自多个途径，包括来自云的参考数据、公司订单管理系统的执行数据、各种交易所的市场数据，以及彭博、汤姆森路透甚至推特的信息。无论数据的来源如何，数据都必须干净准确。

下一阶段主要是将人工智能和机器学习等工具应用于干净、准确的数据，为交易者提供有用的可视化效果，以便他们可以清楚地看到实时和事后发生的情况。

在第三步中，分析师从分析和可视化中推断出可能的交易机会和风险，然后开发交易算法来利用这些机会并避免这些风险。

在最后的交易分析阶段，分析师试图回答这个问题："我们是如何做到的？"

然后，循环重复，并且每个交易在分析后都会生成新的数据，这些数据将会反馈到系统中。

交易员可以使用多变量方法分析交易，从相当简单的决策树到复杂的神经网络。使用最先进的系统，他们可以持续比较实时订单执行指标并进行预测。

除了必须遵循法规外，还有三个其他因素推动了对工具的研究，以优化其执行质量：利润侵蚀、整合和量化内部专业知识的可用性。

当利润率高时，公司并不担心TCA。但是，机器会执行越来越复杂的执行算法——而不是个人进行可自由支配的交易——将会降低利润率。企业目前正在进行竞赛，以获取流动性并保持其领先地位。

由于利润率低，公司也倾向于扩大其活动范围，并开始在新市场和/或对新资产类别进行交易。

例如，一家公司可能从美国股市开始，拓展北美股票，然后进入欧洲股市，或者为一家只做股票的企业增加期货或期权。随着公司的扩张，它们应该使用能运用于所有资产类别和市场相同的分析工具，以获得完整的、全公司的成本分析结果。

最后，公司寻求更好地利用内部量化专业知识来优化算法，这需要了解其成本模型。

成本模型既涉及易于理解的显性成本，包括经纪费用和佣金，也包括基于制造商-执行者规则的交易所费用和佣金。在买入面和卖出方面，内部量化应该避免陷入只是编写越来越多的代码的泥潭。管理者应监控交易质量和成本，并使用他们的分析系统跟踪并改进交易员的工作。

Altair 实时数据流及可视化BI分析平台 Panopticon

Rao 先生在 Jefferies主要负责股票分析以及 TCA 的业务和技术战略分析。他在 Jefferies 股票定量策略平台的维护、交易分析解决方案的实施以及市场数据的应用方面拥有丰富的经验，最近正与 Altair Panopticon™进行合作。

在加入 Jefferies 之前，Shyam 是高盛公司交易自动化系统的副总裁、架构师和开发人员，在股票、外汇和固定收益交易项目的实施和管理方面拥有超过 20 年的经验。

在其职业生涯的早期，他是SunGard 交易系统、Brass （现在为 FIS）的各种产品技术解决方案负责人以及C-DAC 印度软件工程师，主要进行应用软件的构建和确定并行计算解决方案。

他毕业于印度浦那大学，获得高级计算和计算机工程学位。路易斯-洛瓦斯和彼得-辛普森的《一个市场数据》为Rao先生撰写本白 皮书提供了参考。