Kyle’s Lambda: ผลกระทบต่อราคาต่อหนึ่งหน่วยของ Signed Order Flow

Market order ใช้สภาพคล่องที่มีอยู่ หาก dealer เห็นแรงซื้อที่สูงกว่าคาด อาจปรับราคาขึ้นเพราะ flow นั้นอาจมีข้อมูลเกี่ยวกับมูลค่าสินทรัพย์ Kyle’s lambda ซึ่งมักเขียนเป็น λ คือการเปลี่ยนแปลงราคาที่สัมพันธ์กับ order flow สุทธิต่อหนึ่งหน่วยในแบบจำลอง market microstructure เมื่อ λ เป็นบวกและมีค่ามากขึ้น flow ที่มีเครื่องหมายเดิมจะขยับราคาในแบบจำลองได้มากขึ้น ซึ่งในแบบจำลองนั้นหมายถึงตลาดมี depth น้อยลง

กำหนดให้ y เป็น signed order flow หรือปริมาณที่ buyer-initiated ลบด้วยปริมาณที่ seller-initiated กฎกำหนดราคาเชิงเส้นอย่างง่ายคือ

\[ p(y)=\mu+\lambda y, \]

โดย μ คือมูลค่าคาดหมายก่อนเห็น flow และ λ มีหน่วยเป็นราคาต่อหนึ่งหน่วยของ flow หากวัด flow เป็นจำนวนหุ้น λ จะเป็นการเปลี่ยนแปลงราคาต่อหุ้นที่ซื้อขาย หากวัดเป็นมูลค่าเงิน จะเป็นการเปลี่ยนแปลงราคาต่อหนึ่งดอลลาร์ของ net notional หน่วยวัดเป็นส่วนหนึ่งของนิยามพารามิเตอร์ ไม่ใช่รายละเอียดการจัดรูปแบบ

คำว่า “impact” ต้องระบุกรอบเวลา ราคาขยับเมื่อเกิด trade แล้วอาจย้อนกลับบางส่วน หรือ trade อาจเปิดเผยข้อมูลที่คงอยู่ในราคาไปอีกนาน การถดถอย midpoint ในช่วงเวลาเดียวกัน การตอบสนองของ quote หลังจากนั้นไม่กี่วินาที และการตอบสนองระยะยาวเป็นผลลัพธ์คนละแบบ กรอบ trade-information แบบพลวัตของ Hasbrouck จำลอง trade และการปรับ quote ตามเวลา และพบว่าผลด้านข้อมูลทั้งหมดของ trade อาจเกิดขึ้นล่าช้า (Hasbrouck, 1991)

ในกรอบของ Kyle informed trader รู้ข้อมูลบางอย่างเกี่ยวกับมูลค่าสุดท้ายของสินทรัพย์ noise trader ส่งคำสั่งด้วยเหตุผลที่ไม่เกี่ยวกับข้อมูลนั้น และ competitive market maker กำหนดราคาเมื่อเห็น order flow รวม Informed trader เลือกปริมาณซื้อขายโดยคำนึงว่าคำสั่งขนาดใหญ่ทำให้ราคาเคลื่อนไหวสวนทางกับตน การตอบสนองราคาของ market maker และกลยุทธ์ของ informed trader จึงกำหนดร่วมกันในดุลยภาพ (Kyle, 1985)

นิพจน์แบบปิดที่คุ้นเคยเห็นได้ง่ายที่สุดใน benchmark แบบ linear-Gaussian ของการประมูลครั้งเดียว ให้มูลค่าสุดท้าย v มี prior mean μ และ standard deviation σᵥ; noise order flow u มี standard deviation σᵤ; และคำสั่งของ informed trader คือ x=β(v−μ) ดังนั้น flow รวมคือ y=x+u Competitive market maker ตั้งราคา p(y)=E[v|y]=μ+λy ภายใต้กฎราคานี้ กำไรคาดหมายของ informed trader แปรผันตาม x[(v−μ)−λx] กลยุทธ์เชิงเส้นที่เหมาะสมจึงมี β=1/(2λ) เมื่อนำมารวมกับ conditional expectation ของ market maker จะได้

\[ \beta=\frac{\sigma_u}{\sigma_v}, \qquad \lambda=\frac{\sigma_v}{2\sigma_u}. \]

นิพจน์นี้ใช้กับ benchmark การประมูลครั้งเดียว ไม่ใช่สูตรสากลสำหรับทุกตลาดหรือทุกช่วงของ equilibrium แบบ continuous auction กลไกของแบบจำลองแสดงให้เห็นว่า ความไม่แน่นอนของมูลค่าที่สูงขึ้นเพิ่มแรงกดดันจาก adverse selection ขณะที่ noise flow ที่มากขึ้นทำให้แยกคำสั่งที่มีข้อมูลได้ยากขึ้นและลดการตอบสนองราคาต่อ flow หนึ่งหน่วย ในแบบจำลองหลายรอบ การแบ่งคำสั่งเชิงกลยุทธ์ ระยะเวลาซื้อขาย และเส้นทางของ noise flow ก็มีผลเช่นกัน

จุดเริ่มต้นที่พบได้บ่อยในการศึกษาเชิงประจักษ์คือ regression ของ midpoint return บน signed flow:

\[ r_t = a+\widehat{\lambda}_{\mathrm{OLS}}q_t+\varepsilon_t, \qquad r_t=10{,}000\Delta\log m_t. \]

ในที่นี้ mₜ คือ midpoint, rₜ คือ log return ของ midpoint ในหน่วย basis points, qₜ คือ signed flow ในช่วงเวลาที่เลือก, a คือ intercept และ εₜ คือส่วนที่เส้น fitted อธิบายไม่ได้ หากวัด qₜ เป็นหน่วย notional ละ 100,000 ดอลลาร์ ความชันจะมีหน่วยเป็น basis points ต่อ net flow 100,000 ดอลลาร์ ค่าประมาณที่เป็นบวกหมายความว่า ใน sample และช่วงเวลานี้ net flow ที่ผู้ซื้อเป็นฝ่ายเริ่มต้นมากขึ้นมักเกิดพร้อมกับ midpoint return ที่สูงขึ้น

การตีความนี้เป็นคำอธิบายเชิงพรรณนา เว้นแต่วิธีวิจัยจะรองรับการตีความเชิงเหตุและผลหรือเชิงโครงสร้าง Flow และราคาเกิดขึ้นร่วมกัน: trader ตอบสนองต่อราคา market maker ตอบสนองต่อ flow และทั้งสองฝ่ายอาจตอบสนองต่อข้อมูล OLS เพียงอย่างเดียวไม่ได้กู้คืนกลยุทธ์ของ informed trader หรือกฎกำหนดราคาในดุลยภาพของ competitive market maker ควรแยกสัญลักษณ์ให้ชัด: ใช้ λ สำหรับพารามิเตอร์ของแบบจำลอง และ \(\widehat{\lambda}_{\mathrm{OLS}}\) สำหรับ coefficient ที่ได้จาก regression

ตัวแปรตามของ regression ก็สำคัญ การเปลี่ยนแปลงของ transaction price รวม bid–ask bounce ส่วนการเปลี่ยนแปลง midpoint กรองการเคลื่อนไหวเชิงกลดังกล่าวออกได้บางส่วน แต่ไม่ได้กำจัดปัญหาจังหวะ quote ข่าว หรือการซื้อขายแบบ endogenous Glosten และ Harris จำลอง transaction price และ quote changes เพื่อแยกองค์ประกอบ spread ส่วน Brennan และ Subrahmanyam ศึกษาต้นทุนการซื้อขายระหว่างวันและตัวชี้วัด price impact ในการกำหนดราคาสินทรัพย์ (Glosten and Harris, 198890034-7); Brennan and Subrahmanyam, 199600870-K)) ค่าที่ประมาณเหล่านี้เกี่ยวข้องกับสภาพคล่อง แต่ใช้แทนความชัน OLS ร่วมสมัยค่าเดียวไม่ได้

กำหนดนิยาม signed flow ก่อนทำการประมาณ สำหรับ trade i ให้ sᵢ=+1 เมื่อ buyer เป็นฝ่ายเริ่มต้น และ sᵢ=−1 เมื่อ seller เป็นฝ่ายเริ่มต้น ส่วน nᵢ คือจำนวนหุ้น จำนวนสัญญา หรือ notional ดังนั้น

\[ q_t=\sum_{i\in t}s_i n_i. \]

หาก feed มีฟิลด์ aggressor side ให้บันทึกความหมายและกรณีที่ยังสรุปไม่ได้ หากอนุมานเครื่องหมายเอง ให้อธิบาย classifier และกฎจับคู่กับ quote คู่มือ Lee–Ready อธิบายว่าทำไม print ที่สังเกตได้จึงไม่ได้บอกเสมอว่าใครเป็นฝ่ายเริ่ม trade Order-flow imbalance เป็นตัววัดที่เกี่ยวข้องแต่ต่างกัน เพราะอาจรวมการเปลี่ยนแปลงของ bid และ ask ที่แสดงอยู่ ไม่ได้มีเพียง execution ที่ใส่เครื่องหมายแล้ว

บันทึกหน่วยของทั้งสองแกน การเปลี่ยน q จากจำนวนหุ้นเป็นจำนวนสัญญา ดอลลาร์ หรือหน่วยละ 100,000 ดอลลาร์ทำให้สเกลของความชันเปลี่ยน การเปลี่ยนหน่วย return จากดอลลาร์เป็น basis points หรือเปอร์เซ็นต์ก็ทำให้ค่าเปลี่ยนด้วย เช่น หาก coefficient เท่ากับ 0.64 basis points ต่อ 100,000 ดอลลาร์ แล้วเปลี่ยน flow ให้มีหน่วยเป็นล้านดอลลาร์ ค่าตัวเลขจะลดลงสิบเท่า Coefficient ที่ normalize แล้วอาจช่วยเปรียบเทียบสินทรัพย์ แต่ตอบคำถามคนละข้อและต้องระบุวิธี normalize

ช่วงเวลาก็สำคัญไม่แพ้กัน การจับคู่ flow ห้านาทีกับ return ห้านาทีประมาณความสัมพันธ์ในช่วงเวลานั้น แต่ไม่ได้บอกว่าการเคลื่อนไหวคงอยู่นานเพียงใด ช่วงสั้นไวต่อการจัดแนว timestamp, bid–ask bounce และการซื้อขายที่เบาบาง ช่วงยาวรวม trade และข่าวมากขึ้น แต่ทำให้ลำดับการตอบสนองของราคามองไม่ชัด ควรรายงานว่า return วัดพร้อมกับ flow หรือเป็นช่วงถัดไป ใช้ sampling clock ใด ครอบคลุม venue ใด และมี lag structure แบบใด

พิจารณาข้อมูลสมมติที่สร้างขึ้นเอง 4 จุด แต่ละจุดกินเวลาห้านาที ให้ qₜ เป็น signed notional ในหน่วยละ 100,000 ดอลลาร์ และ rₜ เป็น midpoint return ใน basis points:

\[ q=[-2,-1,1,2],\qquad r=[-1.1,-0.3,0.5,1.7]. \]

ค่าเฉลี่ย flow เท่ากับศูนย์ และค่าเฉลี่ย return เท่ากับ 0.20 basis points ความชันและ intercept ของ OLS คือ

\[ \widehat{\lambda}_{\mathrm{OLS}} =\frac{\sum_t(q_t-\bar q)(r_t-\bar r)} {\sum_t(q_t-\bar q)^2} =\frac{6.4}{10} =0.64 \quad\text{bp per } \$100{,}000, \qquad \hat a=\bar r-\widehat{\lambda}_{\mathrm{OLS}}\bar q=0.20\text{ bp}. \]

ตัวอย่างเช่น เมื่อ q=2 ค่า return ที่ fitted ได้คือ 0.20+0.64×2=1.48 bp เทียบกับค่าที่สังเกตได้ 1.7 bp เมื่อ q=−2 ค่า fitted คือ −1.08 bp เทียบกับค่าที่สังเกตได้ −1.1 bp residual เล็กในข้อมูลสี่จุดนี้ไม่ได้พิสูจน์ว่าความสัมพันธ์คงที่ ตัวอย่างนี้แสดงการคำนวณอย่างโปร่งใสเท่านั้น ไม่ใช่ค่าประมาณที่เพียงพอหรือผลการซื้อขาย

หน่วยทำให้ตีความค่าได้ชัด ภายใต้เส้น fitted นี้ net buyer-initiated flow ที่เพิ่มขึ้น 100,000 ดอลลาร์สัมพันธ์กับ midpoint return ที่สูงขึ้น 0.64 bp ในช่วงห้านาทีเดียวกัน ไม่ได้หมายความว่า market maker จะขยับราคาด้วยจำนวนนี้เสมอ ผลจะคงอยู่นานกว่าห้านาที หรือคำสั่ง 100,000 ดอลลาร์จะ execute ได้ที่ midpoint

<!-- learn:illustration --> <!-- ภาพแนวคิดไร้ข้อความ: ภาชนะแก้วสี่ใบมีลูกปัดสีน้ำเงินและสีอำพันที่ผสมกันโดยเอนเอียงไปด้านใดด้านหนึ่งมากขึ้นทีละใบ และมีริบบิ้นใสใต้ภาชนะที่ค่อย ๆ สูงขึ้น ภาพนี้เป็นแนวคิด ไม่ใช่ข้อมูลตลาด การคาดการณ์ หรือสัญญาณซื้อขาย -->

ชุดข้อมูล flow เชิงประจักษ์มีประโยชน์เพียงใดขึ้นอยู่กับความถูกต้องของเครื่องหมาย หากติดป้าย buy และ sell ผิดแบบสุ่ม flow บวกอาจถูกบันทึกเป็นลบและกลับกัน ภายใต้สมมติฐานที่จำกัด—ความผิดพลาดของเครื่องหมายเป็นอิสระและสมมาตร และความคลาดเคลื่อนในการวัดส่วนอื่นเป็น exogenous—ความชันที่ประมาณมักถูกดึงเข้าหาศูนย์ เพราะ measured flow กลายเป็นตัวแทนของ true flow ที่มีสัญญาณรบกวนมากขึ้น นี่ไม่ใช่กฎแก้ไขที่ใช้ได้เสมอ หากความผิดพลาดกระจุกอยู่ใน trade ขนาดใหญ่ ช่วงตลาดผันผวนเร็ว บาง venue หรือช่วงราคากระโดด อคติอาจไปได้ทั้งสองทิศทาง

การจับคู่ตามเวลาสำคัญพอ ๆ กับกฎติดเครื่องหมาย หากนำ trade ไปเทียบกับ quote ที่อัปเดตหลัง trade อาจจัดฝั่งผิด Print ภายใน spread, trade ที่ midpoint, auction, การแก้ไขข้อมูล และ timestamp ที่ละเอียดไม่พออาจยังคลุมเครือ แยกหมวด unknown ไว้อย่างชัดเจน รายงานสัดส่วนปริมาณที่จำแนกเครื่องหมายได้ และทำการประมาณซ้ำด้วย classifier ทางเลือกที่สมเหตุสมผลเมื่อทำได้

ความผิดพลาดในการจำแนกยังอาจเปลี่ยนไปตามสภาพคล่อง กฎที่ทำงานได้พอใช้ในภาวะซื้อขายทั่วไปอาจมีปัญหาเมื่อ quote เปลี่ยนเร็วหรือมี execution ภายใน spread จำนวนมาก หาก venue มีฟิลด์ aggressor ของตนเอง ให้ตรวจสอบคำอธิบายและข้อยกเว้น แทนที่จะสมมติว่าเทียบข้าม exchange ได้โดยตรง หากอนุมาน classifier เอง บทความ Lee–Ready ช่วยเริ่มต้นบันทึกวิธีและข้อจำกัดด้าน timestamp

เมื่อใช้ flow และ return ในช่วงเวลาเดียวกัน ลำดับเหตุการณ์ภายใน bin จะถูกซ่อนไว้ ราคาที่ขึ้นในช่วงต้นอาจดึงดูดผู้ซื้อในช่วงหลัง แม้จะอธิบายผล regression ว่า “flow ทำให้ราคาเคลื่อนไหว” ในเวลาเดียวกันผู้ให้สภาพคล่องก็อาจปรับ quote หลังเห็น execution ความชันจึงรวมทิศทางทั้งสองไว้ หาก design ไม่แยกออกจากกัน

ข้อมูลสาธารณะเป็นอีกสาเหตุร่วมที่พบบ่อย ประกาศตามกำหนดการอาจเปลี่ยนความคาดหวังเรื่องมูลค่า volatility spread และการส่ง order พร้อมกัน Signed flow จึงอาจเป็น proxy ของการตอบสนองต่อข่าว ไม่ใช่การเปิดเผยข้อมูลส่วนตัว แบบจำลอง Kyle อย่างง่ายแยก informed trading กับ noise trading เพื่ออธิบายกลไก แต่ข้อมูลจริงยังมีข่าวสาธารณะ การบริหาร inventory การ hedge การซื้อขายตามดัชนี และ liquidity shock การทำเครื่องหมายเหตุการณ์ตามกำหนด ควบคุม common shock ที่สังเกตได้ และแยก flow ที่วัดก่อนช่วง return ช่วยทำให้คำถามชัดขึ้น แต่การใส่ control ไม่ได้กำจัด endogeneity โดยอัตโนมัติ

ใช้การตีความเชิงโครงสร้างหรือเหตุและผลเมื่อระบุและอธิบายสมมติฐาน identification ไว้อย่างชัดเจนเท่านั้น การใส่ lag ให้ flow เปลี่ยนคำถามเป็น flow ก่อนหน้าพยากรณ์ return ในภายหลังหรือไม่ แต่ไม่ได้ทำให้ flow เป็น exogenous ด้วยตัวเอง แนวทาง trade-and-quote แบบพลวัตของ Hasbrouck มีประโยชน์เมื่อสนใจข้อมูลจาก trade ที่ทยอยปรากฏ ส่วน coefficient OLS แบบง่ายยังขึ้นกับช่วงเวลาและ specification ที่เลือก (Hasbrouck, 1991)

Trade เกิดเป็นกลุ่มและราคาปรับตัวตามเวลา หาก flow หรือ regression residual มี serial dependence ค่า standard error แบบ OLS ทั่วไปอาจทำให้เข้าใจผิด แม้ coefficient ยังใช้สรุปเชิงพรรณนาได้ ตรวจ residual ระบุว่าการประมาณ uncertainty คำนึงถึง heteroskedasticity และ serial correlation หรือไม่ และพิจารณา dynamic model หากคำถามเกี่ยวกับความคงทนหรือการตอบสนองที่ล่าช้า อย่าเรียก coefficient ใน bin เดียวกับ cumulative response ของ bin ถัด ๆ ไปด้วยชื่อเดียวกัน

สภาพคล่องเปลี่ยนทั้งภายในและระหว่าง session ค่า spread, displayed depth, volatility, ช่วงเวลาของวัน, venue และสภาวะตลาด ล้วนมีผลต่อการขยับราคาจาก order หนึ่งรายการ ความชันเดียวจากทั้ง sample เฉลี่ยสภาวะเหล่านี้เข้าด้วยกัน หากต้องการศึกษาความแตกต่างตามสภาวะ ให้ประมาณ subsample ที่กำหนดล่วงหน้าหรือ interaction ระหว่าง flow กับสภาพคล่องที่วัดได้ พร้อมรายงานว่ามีข้อมูลรองรับการเปรียบเทียบแต่ละแบบเท่าใด ไม่ควรสมมติว่า coefficient จากตลาดสงบจะอธิบายข่าวช็อกหรือ order book ที่บางได้

Impact ไม่จำเป็นต้องเป็นเชิงเส้นหรือสมมาตร เส้น regression เส้นเดียวอาจเฉลี่ย order เล็กและใหญ่เข้าด้วยกัน แม้ผลส่วนเพิ่มต่อราคาจะแตกต่างกัน; buy และ sell ก็อาจให้ผลต่างกัน หลักฐานเชิงพลวัตของ Hasbrouck รายงานความสัมพันธ์เชิงบวกและเว้าระหว่างขนาด trade กับ price impact ทั้งหมดใน sample ที่ศึกษา (Hasbrouck, 1991) Tóth และผู้ร่วมวิจัยศึกษาผลกระทบต่อราคาที่ผิดปกติและการปรับสเกลสภาพคล่องในตลาดการเงิน รวมถึงรูปแบบคล้ายรากที่สองในบริบทของงานนั้น (Tóth et al., 2011) ผลเหล่านี้เป็นเหตุผลให้ตรวจแบบจำลองไม่เชิงเส้น แต่ไม่ได้พิสูจน์ว่ามีเส้น price impact สากลที่ใช้ได้กับทุกสินทรัพย์ venue หรือ horizon

ก่อนเปรียบเทียบค่า “lambda” ที่ตีพิมพ์หรือได้จาก vendor ให้จัดสิ่งที่ประมาณให้ตรงกันก่อน Flow คือ signed shares, contracts หรือ dollar notional? ผลลัพธ์เป็น transaction price, midpoint หรือการเปลี่ยนแปลงราคาระยะยาว? วัด flow พร้อมกัน ใส่ lag หรือสะสมตลอด response horizon? Sampling interval, venue coverage, instrument, market regime และ classifier ของเครื่องหมายใกล้เคียงกันหรือไม่ ตัวเลขดิบที่มีหน่วยและเป้าหมายต่างกันใช้จัดอันดับสภาพคล่องไม่ได้

การเลือก estimator ก็เปลี่ยนเป้าหมาย Simple OLS slope สรุปความสัมพันธ์เชิงเส้นใน sample ของตน Dynamic trade-and-quote model แยกการตอบสนองทันทีและล่าช้าได้ Spread decomposition ประมาณองค์ประกอบ เช่น ต้นทุนประมวลผล order และต้นทุน adverse selection วิธีใช้ข้อมูลรายวันของ Hasbrouck ประมาณ effective trading costs จากชุดข้อมูลอีกแบบ (Hasbrouck, 2009) Roll estimator ใช้ return autocovariance เพื่ออนุมาน spread ภายใต้สมมติฐานของตน ส่วน Hasbrouck information share แบ่งสัดส่วนความแปรปรวนของ common permanent-price innovation ระหว่างตลาดที่เชื่อมโยงกัน ทั้งสองอย่างไม่ใช่ชื่ออื่นของ Kyle’s lambda

มองค่าประมาณเป็นตัววัด price response ที่นิยามไว้อย่างรอบคอบหนึ่งตัว ไม่ใช่คะแนนคุณภาพตลาดทั้งหมดหรือ trading signal ที่พร้อมใช้ รายงานที่ตรวจสอบได้ควรระบุสมมติฐานดุลยภาพหรือ regression เชิงประจักษ์ เครื่องหมายและหน่วยของ flow ตัววัดราคา horizon, sample, วิธีประเมิน uncertainty, การจัดการ event และความไวต่อ specification อื่น การประเมินกำไรต้องทำ out-of-sample แยกต่างหากและรวม spread, fees, latency, slippage และ market impact