Розробка AI-моделі аналізу та прогнозування ліквідності ринку

Ми застосовуємо машинне навчання для аналізу ліквідності ринку — це не просто обчислення спреду, а повноцінна система прогнозування transaction costs та ринкового імпакту. Наша AI модель ліквідності враховує мікроструктурні та макроекономічні фактори. За 10+ років ми реалізували такі рішення для фондових, ф'ючерсних та криптовалютних бірж. Наш досвід включає LightGBM-моделі прогнозування спреду на 15–60 хвилин, ML модель ліквідності на основі Random Forest для детекції криз. Результат — зниження витрат на виконання на 10–30%. Для портфеля обсягом $100 млн економія становить до $500 000 на рік.

Ліквідність — здатність ринку поглинати ордери без значного цінового руху. Для трейдера це transaction costs: наскільки дорого виконати позицію потрібного розміру. Для ризик-менеджера — наскільки швидко можна вийти з позиції при кризі. AI-модель оцінює ліквідність у реальному часі та прогнозує її зміни.

Вимірювання ліквідності

Bid-Ask Spread: Найпростіша міра. Відносний spread = (Ask - Bid) / Mid. Для ліквідних акцій NYSE: 1-5 бп. Для менш ліквідних: 50-200+ бп.

Kyle's Lambda (Price Impact):

ΔPrice = λ × OrderFlow λ = regression coefficient (price change per unit of signed order flow) 

Високий λ → ринок швидко реагує на ордери → низька ліквідність. Детальніше про метрику — Kyle's lambda.

Amihud Illiquidity Ratio:

ILLIQ = (1/T) × Σ |R_t| / Volume_t 

Денна дохідність на одиницю обсягу торгів. Стандарт в академічній літературі.

Effective Spread і Realized Spread: Effective: 2 × |Trade Price - Mid Price| — реальна вартість агресії. Realized: через 5 хвилин після угоди — скільки маркет-мейкер реально заробив.

Як AI-модель прогнозує кризи ліквідності?

При ринкових стресах ліквідність випаровується нелінійно. Завдання: передбачити ймовірність liquidity crisis найближчими N годинами.

Індикатори майбутньої кризи:

• Раптове розширення cross-asset correlations (correlation spike)
• Одночасне погіршення ліквідності в кількох asset classes
• CDS spread widening на фінансовий сектор
• TED spread (LIBOR - T-bill rate)
• Repo market stress (overnight rate spikes)

Модель: Random Forest Classifier. Таргет: liquidity shock (spread > 3σ від 90-денного середнього) протягом 24 годин. AUC 0.72-0.80 на історичних стресах. Для порівняння, логістична регресія показує AUC близько 0.6 — Random Forest дає на 20% кращу точність.

Чому LightGBM кращий за традиційні моделі?

Лінійна регресія дає MAPE 20-30%, GARCH — 18-25%. LightGBM досягає 8-15% на 15-хвилинному прогнозі спреду — це в 2 рази точніше за GARCH. LightGBM ліквідність модель дає найкращі результати. Крім того, LightGBM обробляє сотні ознак за години, що в 5 разів швидше за LSTM, який потребує днів. LightGBM — оптимальний вибір для production.

Таргет: bid-ask spread через 15/30/60 хвилин, або λ (price impact coefficient). Features:

Intraday Liquidity Patterns

Ліквідність має стійкі внутрішньоденні патерни: U-подібна крива:

• Відкриття ринку (9:30-10:00 ET): високий spread, тонка книга
• Обід (12:00-13:30 ET): мінімальний обсяг, найгірша ліквідність
• Закриття (15:30-16:00 ET): максимальний обсяг, найкраща ліквідність

Це означає: великий інституційний ордер потрібно виконувати ближче до закриття, уникаючи open auction.

Event-driven liquidity collapse: Новини, earnings, FOMC announcements — за 5-10 хвилин до події маркет-мейкери прибирають котирування. Spread розширюється в 5-20×. Модель має передбачати ці "liquidity windows".

Покроковий процес впровадження моделі ліквідності

1. Аудит даних: збираємо тікові та хвилинні дані за 2+ роки, перевіряємо якість, виявляємо пропуски.
2. Feature engineering: будуємо 50+ ознак: мікроструктурні, часові, макроекономічні.
3. Навчання моделі: стартуємо з LightGBM baseline, потім оптимізуємо гіперпараметри.
4. Валідація: тестуємо на out-of-time вибірці, рахуємо MAPE, AUC, Hit Ratio.
5. Інтеграція: розгортаємо через REST API з latency p99 < 100 мс.
6. Моніторинг: відстежуємо дрейф даних, перенавчаємо при необхідності.

Застосування в торгівлі

Оптимізація виконання:

• Реальний час: коли і як виконати ордер
• Liquidity score → вибір TWAP/VWAP/IS алгоритму з урахуванням Almgren-Chriss оптимізації
• Adaptive execution: уповільнення при погіршенні ліквідності

Risk Management:

• Liquidity-adjusted VaR: враховує вартість виходу з позиції
• Position limits: обмеження розміру позиції відносно прогнозованої ліквідності
• Exit stress test: за скільки днів можна вийти з позиції без значного impact при нормальній і стресовій ліквідності

Portfolio construction: Включення liquidity constraints: не брати позиції > X% від ADV, диверсифікація за ліквідністю.

Що входить у роботу

• Аудит даних і бізнес-метрик: аналіз історичних тікових даних, визначення цілей і таргетів.
• Feature engineering: побудова понад 50 ознак, включаючи часові, мікроструктурні та макроекономічні.
• Побудова ML-моделі: від baseline до production-grade рішення з моніторингом.
• Документація: model card, опис метрик, сценарії використання.
• Інтеграція: API для отримання прогнозів у реальному часі.
• Навчання команди: workshop з інтерпретації результатів.

Порівняння підходів до прогнозування ліквідності

LightGBM дає найкращий баланс точності та швидкості — саме його ми використовуємо в продакшені.

Деталі: використовуємо LightGBM з параметрами learning_rate=0.05, num_leaves=31, feature_fraction=0.8; для інтерпретації — SHAP values. Ми враховуємо гетероскедастичність залишків та перевіряємо коваріаційну стаціонарність ознак. Ми гарантуємо точність моделей на рівні MAPE < 10% та надаємо сертифікат відповідності.

Терміни: базові ліквідність-метрики + intraday pattern модель — 3-4 тижні. Повноцінна система з market impact prediction, liquidity crisis detection і execution optimization — 3-4 місяці.

Наші інженери мають 10+ років досвіду і реалізували 50+ проєктів у фінансовому ML. Хочете оцінити ліквідність вашого ринку? Зв'яжіться з нами — проведемо пілот за 2 тижні. Або отримайте консультацію прямо зараз — ми покажемо, як AI знизить ваші транзакційні витрати.