Com o avanço tecnológico recente, as bolsas de valores e ambientes de negociação do mercado financeiro ganharam uma forte presença de algoritmos rodando em arquiteturas computacionais de última geração. Esse modelo operacional é conhecido como “Negociação de Alta Frequência” (High Frequency Trading).

Esses algoritmos são desenvolvidos por cientistas e engenheiros de computação, físicos, matemáticos, e não por economistas ou agentes de bancários. Muitos desses avançados códigos rodando em hardwares que buscam otimizar ao máximo o poder computacional, operam na casa dos microssegundos ou até mesmo dos nanossegundos; algo inimaginável para qualquer trader humano.

Operando em Alta Frequência

De forma resumida, operar em alta frequência é basicamente comprar muito rápido e vender muito rápido tendo lucro pequeno. Os variados algoritmos fazem isso milhões de vezes em um único dia. Alguns podem encher o livro de ofertas com centenas ou milhares de ordens escondidas (icebergs), executar a quantidade desejada e, de forma quase que imediata cancelar todas as ofertas que não foram executadas (e isso pode ser em um ou mais ativos com a mesma estrutura de ganho, ou em mercados que possibilitam proteger a operação ou arbitrar).

A infraestrutura tecnológica para fazer isso funcionar é desenhada em torno da velocidade. As estruturas de comunicação com os centros operacionais (bolsas, ECNs, dark pools, provedores de liquidez, etc) são montadas para receber e enviar market data (dados) em redes de fibra ótica rodando em dispositivos de rede de 10 Gigabit Ethernet e switches operando nas camadas de rede em nanossegundos.

A informação recebida ou transmitida passa por circuito integrado FPGA que se comunica diretamente com as aplicações via PCI Express sem se passar pelo sistema operacional para diminuir a latência.  Nesse modelo podemos ter três componentes principais:

  1. Algoritmos de Machine Learning
  2. Algoritmos de execução
  3. Servidor de roteamento de ordem (OMS)

Todos podem ser escritos em baixo nível em compiladores populares como C/C++.

Como funciona?

A chave desse operacional é “treidar” aquilo que as pessoas, os investidores, os fundos de investimentos, enfim, os participantes, em geral não se importam muito quando executam suas ordens (P.S.: muitos players buscam executar suas ordens de forma sistemática buscam o melhor preço de execução), como, por exemplo, “A Petrobras parece ser uma boa empresa, sua ação em bolsa pode estar barata, então vou comprar agora”.

Muitos participantes não têm tempo ou recursos para pensar sobre o melhor momento e a melhorar estratégia para execução. As empresas de HFTs fazem spread no mercado, ou seja, capturam o diferencial entre o preço de compra e venda enquanto esses participantes executam suas ordens.

Um algoritmo de alta frequência pode ser desenvolvido para comprar as ações da Petrobras a R$ 18,00 quando outro player deseja vender (a mercado) e então vender a R$ 19,00 quando alguém deseja comprar Petrobras.

Encontrando o preço “justo”

Os ativos financeiros possuem um preço justo? Essa é uma pergunta muito profunda, e modelos de execução em alta frequência podem ser desenvolvidos para operar nessa estrutura.

Vamos estruturar uma condicional para aplicar um modelo.

Utilizando o estudo de “tamanho da aposta” de Kelly-Breiman, é possível tomar que o melhor jeito de jogar 21 é apostando em cada mão a quantia de dinheiro que é proporcional ao risco/recompensa.

Se este algoritmo estiver comprando a ação da Petrobrás à R$18,00, então o ganho esperado dessa operação é: (preço-esperado – R$18,00). O risco é igual ao range esperado (ou volatilidade) do papel da Petrobras no tempo que leve para executar a ordem de venda, ou seja, fechar a posição dessa operação.

Consequentemente, para maximizar o ganho, o algoritmo pode buscar comprar quando o preço esperado (ou justo) é muito superior a R$ 18,00. Para minimizar o risco, o algoritmo pode comprar quando as condições de mercado apontam para um baixo tempo de execução para sair da operação.

Essa estratégia bem resumida pode utilizar de machine learning (aprendizado de máquina) para encontrar o “preço justo”, ou o preço esperado, e o tempo que pode levar para fechar a posição tomada.

“O aprendizado de máquina (em inglês, machine learning) é um método de análise de dados que automatiza a construção de modelos analíticos. É um ramo da inteligência artificial baseado na ideia de que sistemas podem aprender com dados, identificar padrões e tomar decisões com o mínimo de intervenção humana.”
– Definição de “Aprendizado de Máquina” da SAS Institute Inc

Uma forma de preço esperado, ou justo, pode ser o “preço médio ponderado”. Muitas empresas de HFTs utilizam essa noção de precificação, em 2009, uma das maiores firmas de alta frequência, a Citadel, fez mais de 2 bilhões de dólares utilizando esse modelo de precificação.

O que é o “preço médio ponderado”?

Se 10 traders estão ofertando compra à R$ 18,00 e 40 pendurando venda à R$ 19,00, então o preço médio seria R$ 18,50. Mas ponderando o preço médio, ficaria à R$ 18,20.

Essa é apenas uma das formulações matemáticas que pode trazer a seguinte aplicação: analisando a “profundidade do mercado” e as ordens executadas, pode ser mais possível se obter um preço nos próximos 30 segundos que é em média mais próximo ao preço de origem.

A “Santo Graal” do mercado financeiro com HFT existe?

Não existe um modelo final para a operação em alta frequência. É possível utilizar diversas estratégias e infraestruturas para buscar por oportunidades de lucro em moedas, ações, opções, taxa de juros, ETFs, índices, spreadscommodities, etc.

Oportunidades de lucro existem tanto em termos de latência (velocidade) quanto em modelos de precificação dos ativos e derivativos. Com isso a ideia deste artigo foi apresentar, no geral, um modelo muito simples de algoritmo para operar em alta frequência.

É importante manter em mente que a indústria desse operacional é hoje muito concorrida e a lucratividade das empresas que operam nesses ambientes vem caindo devido a diversos fatores: altíssimo investimento inicial, grande concorrência, aumento nos custos operacionais, custos tecnológicos, avanços e alterações na legislação que regula os mercados, inclusive, a operação em alta frequência, curtíssimo tempo vida de uma estratégia, a queda na volatilidade histórica dos ativos, entre outros fatores.

Comentários

Comentários