Model Eksekusi Optimal Almgren–Chriss: Menyeimbangkan Dampak Pasar dan Risiko Harga

Bayangkan sebuah pesanan induk yang terlalu besar untuk dikirim sekaligus. Membaginya menjadi pesanan anak dapat mengurangi tekanan satu kali terhadap buku pesanan, tetapi menimbulkan kompromi. Eksekusi cepat biasanya meningkatkan biaya dampak sementara; eksekusi lambat membuat lebih banyak posisi tetap terbuka saat harga dapat berubah.

Model Almgren–Chriss merumuskan kompromi itu sebagai optimasi biaya dan risiko. Misalkan jumlah awal yang harus dieksekusi adalah X, tenggatnya T, dan x(t) adalah jumlah yang masih harus diperdagangkan pada waktu t. Untuk memudahkan notasi, x(t) dinyatakan sebagai jumlah positif dalam arah transaksi yang sama, baik pesanan awalnya beli maupun jual. Dengan demikian, laju eksekusi adalah v(t) = −dx(t)/dt: saat jumlah tersisa turun, jumlah yang sudah diperdagangkan bertambah. Syarat akhirnya ialah x(0) = X dan x(T) = 0.

Dalam formulasi mean–variance yang umum, jadwal dievaluasi menggunakan:

Jadwal tujuan = biaya eksekusi yang diharapkan + λ × varians biaya eksekusi

Di sini λ adalah bobot keengganan risiko. Artikel asli Almgren dan Chriss mengembangkan pertukaran biaya–risiko ini dalam kerangka eksekusi optimal (artikel asli). Ini bukan parameter yang “ditemukan” oleh rumus: orang yang memilih model harus menentukan bobot risiko dan estimasi volatilitas serta dampak yang digunakan.

Dampak sementara muncul saat pesanan besar menghabiskan likuiditas yang tersedia atau harus menyeberangi spread. Dalam model dampak linear sederhana, kecepatan transaksi v menimbulkan biaya per unit yang sebanding dengan v. Setelah dikalikan dengan jumlah yang diperdagangkan, komponen biaya total per satuan waktu menjadi sebanding dengan v². Karena itu, mempercepat seluruh pesanan dapat menaikkan biaya dampak.

Dampak permanen berbeda: dalam versi linear standar, transaksi menggeser harga acuan dan sebagian pergeseran itu bertahan setelah pesanan selesai. Untuk jumlah total X yang sama, komponen biaya permanen pada model dasar tidak bergantung pada cara X dibagi sepanjang waktu. Karena itu, dalam formulasi yang disederhanakan, komponen tersebut dapat diperlakukan sebagai konstanta saat membandingkan jadwal. Model yang memakai definisi dampak atau pasar yang lebih rumit dapat menghasilkan kesimpulan berbeda.

Risiko harga timbul karena posisi yang belum dieksekusi tetap terpapar perubahan harga. Jika volatilitas harga per akar waktu adalah σ, varians biaya risiko pada model dasar sebanding dengan σ² dikalikan integral x(t)² sepanjang jendela. Jadwal yang menurunkan jumlah tersisa lebih cepat biasanya mengurangi paparan ini, tetapi dapat memerlukan transaksi lebih agresif. Itulah alasan kedua istilah masuk ke tujuan optimasi.

Jika komponen biaya yang tidak berubah antarjadwal dikeluarkan, bentuk kontinu yang disederhanakan dapat ditulis:

J = integral dari 0 sampai T atas [ηv(t)² + λσ²x(t)²] dt

η adalah koefisien dampak sementara menurut konvensi ini. Meminimalkan bentuk tersebut dengan jumlah awal dan akhir yang ditetapkan menghasilkan:

x(t) = X × sinh(κ(T − t)) / sinh(κT)

dengan κ² = λσ²/η pada limit kontinu. sinh adalah sinus hiperbolik. Rumus menampilkan jumlah yang masih harus diperdagangkan, bukan jumlah yang telah selesai. Sebagai pembanding, Bertsimas dan Lo juga mengkaji strategi dinamis untuk meminimalkan biaya eksekusi di bawah asumsi dampak harga tertentu (penelitian).

Parameter κT merangkum bentuk lintasan relatif terhadap tenggat. Saat λ mendekati nol, solusi mendekati garis lurus: jumlah tersisa turun merata dan lajunya menyerupai TWAP. Saat λ atau σ meningkat, atau η turun, κ menjadi lebih besar dan jadwal lebih banyak menempatkan transaksi di awal. Dampak sementara yang lebih mahal cenderung mendorong jadwal agar lebih lambat dan rata. Dalam versi diskret, bentuk κ yang tepat bergantung pada panjang interval dan konvensi koefisien; rumus di atas adalah limit kontinu model dasar, bukan formula bebas satuan.

Misalkan sebuah pesanan 1.000 unit harus selesai dalam 60 menit. Bandingkan jadwal linear TWAP dengan lintasan Almgren–Chriss yang memiliki κT = 2. Angka κT hanya dipilih untuk mengilustrasikan bentuk kurva; bukan estimasi untuk aset tertentu.

Pada 15 menit pertama, jadwal TWAP telah mengeksekusi sekitar 250 unit, sedangkan contoh Almgren–Chriss sekitar 413 unit. Pada menit ke-30, masing-masing telah menyelesaikan 500 dan sekitar 676 unit. Kedua jadwal mencapai nol pada tenggat, tetapi contoh dengan κT = 2 menyisakan posisi lebih kecil di sepanjang jendela.

Ini hanya perbandingan lintasan matematis. Contoh tidak menetapkan harga, spread, pengisian, biaya, atau keuntungan; hasil tersebut tidak membuktikan bahwa jadwal yang lebih cepat akan lebih baik. Angka dibulatkan dari rumus dan tidak mengandung observasi pasar.

Untuk setiap jadwal, model dapat menghitung biaya eksekusi yang diharapkan dan varians biayanya. Menjalankan optimasi untuk beragam nilai λ menghasilkan himpunan jadwal efisien: untuk tingkat risiko tertentu, jadwal pada frontier memiliki biaya harapan terendah dalam model. Nilai λ yang lebih tinggi memberi bobot lebih besar pada risiko posisi terbuka; model lalu memilih kurva yang biasanya menurunkan varians dengan menerima biaya dampak sementara yang lebih tinggi.

Frontier tidak menentukan sendiri pilihan yang tepat. λ mewakili preferensi atau batasan keputusan, sedangkan σ dan η harus diestimasi dari data yang sebanding dengan instrumen, ukuran, dan kondisi pasar. Estimasi yang berbeda dapat mengubah jadwal secara berarti. Menggunakan volatilitas harian untuk horizon intrahari tanpa konversi satuan yang konsisten, misalnya, membuat κ tidak dapat ditafsirkan sebagaimana dimaksud.

Hasil standar mengandaikan satu aset, volatilitas yang tetap, harga tanpa drift yang diperkirakan, bentuk dampak linear, dan parameter likuiditas yang tidak berubah selama eksekusi. Jadwalnya open-loop: kurva ditetapkan terlebih dahulu, bukan disesuaikan otomatis setelah membaca setiap perubahan buku pesanan atau arus transaksi. Model dasar juga tidak memasukkan sinyal alpha, korelasi dengan aset lain, kendala batas harga, pengisian parsial yang bergantung pada antrean, atau batas jumlah minimum dan tick.

Pasar nyata dapat memperlihatkan dampak nonlinear, likuiditas yang berubah-ubah, pengisian yang tidak pasti, perubahan volatilitas, serta pemulihan kedalaman setelah transaksi. Estimasi dampak dan asumsi dinamika harga harus konsisten satu sama lain. Penelitian Gatheral tentang larangan arbitrase dinamis menunjukkan bahwa pemodelan dampak memerlukan perhatian terhadap hubungan antara bentuk dampak dan dinamika harga, bukan sekadar memilih kurva yang cocok dengan data secara lokal (studi Gatheral).

Bila kondisi berubah selama eksekusi, jadwal adaptif atau model yang memasukkan volume, alpha, dan keadaan pasar dapat menjawab pertanyaan yang berbeda. Itu bukan koreksi otomatis terhadap satu parameter λ; itu mengubah model dan kebutuhan datanya.

Almgren–Chriss adalah model keputusan ex ante: ia memilih jadwal berdasarkan fungsi biaya–risiko dan parameternya. VWAP atau TWAP dapat merujuk pada tolok ukur harga maupun jadwal eksekusi yang mengikuti volume atau waktu; namanya sendiri tidak mengoptimalkan tujuan Almgren–Chriss. Panduan VWAP dan TWAP menjelaskan perbedaan antara tolok ukur dan jadwal tersebut.

Setelah transaksi, implementation shortfall mengukur biaya dibandingkan harga keputusan atau waktu kedatangan menurut konvensi tertentu. Itu adalah evaluasi ex post, bukan lintasan yang sama dengan model ini. Panduan implementation shortfall membahas harga keputusan, jumlah yang belum terisi, serta biaya eksplisit. Untuk memahami bagaimana ketidakseimbangan buku pesanan berkaitan dengan likuiditas jangka pendek, lihat panduan order-flow imbalance.

Sebelum membaca keluaran model, pastikan apakah X dinyatakan dalam saham, kontrak, atau nilai uang; bagaimana T dihitung; dan apakah σ serta η memakai satuan waktu dan harga yang konsisten. Lalu tanyakan bagaimana jumlah transaksi yang belum selesai, biaya tetap, batas harga, spread, dan pengisian parsial diperlakukan.

Periksa pula apakah jadwal dihitung sekali atau dapat diperbarui ketika volatilitas, likuiditas, atau volume berubah. Jika hasil hanya dilaporkan sebagai “optimal”, cari fungsi tujuan, parameter, batasan, dan definisi biaya yang mendasarinya. Kata optimal hanya bermakna relatif terhadap semuanya itu.