RF | 由人类主导交易机器人：首次实验

我们报告了一项金融市场实验的结果，在该实验中，多期证券的错误定价（以泡沫的形式）频繁出现。这是首次在控制环境下，向参与者提供简单的执行算法（交易机器人）作为手动交易的补充。我们还研究了自动化交易能力对泡沫生成的影响。

执行算法类似于博弈中的“策略”：它使参与者承诺执行一组操作。在行为博弈论中，要求参与者事先承诺一种策略被称为“策略法”。这种承诺要求参与者更加仔细地考虑当前的交易机会：他们需要提前思考潜在的交易机会，而无法在事件发展时灵活调整策略。因此，选择机器人时需要的额外谨慎在交易中强加了纪律。然而，这也有代价：如果选择了“错误”的机器人，参与者可能无法及时停止它。策略法排除了在交易过程中“边做边学”的机会。

由于选择机器人需要更多的审慎考虑，我们假设在机器人存在的情况下，整体定价会改善，即泡沫的频率会减少，价格将更好地趋于基本价值。然而，当错误定价出现时，所选择的机器人可能不再是最佳的，且需要被替换。如果切换的成本过高，例如因为机器人不能被关闭，参与者可能会被阻止使用机器人，那么价格质量就会受损。这引发了一个更复杂的假设，即价格质量取决于机器人部署的承诺程度。

我们通过一项控制实验来检验这一假设。我们设置了不同处理方案，以机器人部署承诺的程度为区分，并将结果与完全手动交易的对照组进行比较。在第一个处理方案中，交易者可以随时停止和更换机器人（无承诺）。在第二个处理方案中，一旦机器人部署，就不能停止（有承诺）。第三个处理方案与第二个相似，但如果未在规定时间内部署机器人，将受到处罚（惩罚）。由于在相同的环境下重复实验往往减少错误定价，我们采用了不同被试设计，将参与者随机分配到某一处理组中。

在所有处理方案中，每个参与者都知道算法交易者的潜在存在。因此，即使那些选择不使用机器人的参与者，也会被引导在事前仔细考虑策略：他们可能最终选择与机器人交易。这强化了我们的假设，并让我们预期，遇到算法交易者的可能性本身就应该导致错误定价水平的下降，不论机器人是否实际被部署。此效应在此前的实验环境中已经得到验证，但设置不同：错误定价涉及的是纯套利机会，机器人由实验者独自控制。然而，Leal 和 Hanaki (2018) 以及 Angerer, Neugebauer, 和 Shachat (2023) 的实验结果却相反：价格质量未受潜在存在的机器人影响。在我们的实验中，错误定价不涉及纯套利机会，而是涉及泡沫，若反向交易泡沫会让交易者面临风险。此外，我们的机器人完全由参与者控制，实验者不干预市场。

在实际市场中引入算法交易被认为提高了价格质量，也就是交易价格更接近基本价值。然而，确定资产在实际中的基本价值具有挑战性，因此这些证据仍是间接的，甚至可能存在偏见。历史数据分析还表明算法交易与流动性之间的联系。研究表明，买卖价差缩小，交易价格变动的自相关性减少。

早期研究对于算法交易在实际市场中产生的收益持不同意见。有迹象表明，算法交易的收益（如果有的话）逐渐减少，特别是在高频交易（HFT）领域。此外，HFT对其他策略带来了负外部性。总体而言，收益高度依赖于算法的类型以及市场中其他算法的存在和性质。历史数据分析证实了这一点。例如，Baron, Brogaard 和 Kirilenko (2012) 发现流动性吸收型算法的利润高于平均水平，而 Baron 等人 (2019) 则记录了利润与算法延迟的关系。解释流动性吸收型机器人的异常利润的一种方式是它们的选择频率低。Menkveld (2013) 报告说，涉及机器人的交易中，只有五分之一是由“吸收型”机器人发起的。流动性吸收型机器人的优越性让我们联想到20世纪90年代初圣塔菲交易机器人竞赛的结果，在该竞赛中，参与者设计算法相互竞争——没有手动干预。竞赛的获胜算法也是流动性吸收型机器人，后来被称为“Kaplan狙击手”。不过我们需强调的是，Kaplan狙击手并不频繁交易，而上述实际市场研究则主要集中于高频交易（HFT）。

在像我们这样的实验环境中，我们可以更全面地比较交易者之间的利润，而不局限于高频交易，且避免实际数据中的固有偏差。后者的一个例子是，在仅有报价和交易数据的实际市场中，无法检测到“吸收型”机器人的存在。此类机器人如果没有触发其程序化的操作条件，就不会提交订单和进行交易。它们可能存在，市场中的参与者也可能意识到其存在并相应调整策略，但研究者无法得知它们是否在样本中行动。在我们的实验中，不论机器人是否最终产生报价或交易，我们都能追踪所有已部署的机器人。

我们的实验环境基于Smith, Suchanek 和 Williams (1988) 的研究（简称SSW）。在他们的研究中，泡沫经常出现，并且很多种干预措施对消除泡沫没有作用，包括允许做空、进入期货市场、无法转售或由专业人士参与。但是在同一组重复实验中，这些措施使得泡沫的频率减少。我们在墨尔本大学和蒙纳士大学的学生中进行十三场机器人交易实验和四场手动交易实验。第一轮实验在2017年进行，包含四场无承诺的机器人交易实验和四场手动交易实验。第二轮实验在2022-2023年进行，包含剩下的九场机器人交易实验，每种处理方案下各三场实验。

本研究的主要发现如下：在所有的机器人交易实验中，泡沫的规模和频率与手动交易实验没有显著差异，这驳斥了我们关于算法交易可以减少错误定价的假设。在早期交易轮次中，机器人的存在导致更高的买卖价差，并且在这些轮次中机器人导致了更多频繁的闪崩和价格暴涨。参与者对机器人的使用非常频繁——2/3到4/5的交易涉及机器人。这些数据与成熟股票市场中的情况相似。我们发现多达40%的机器人是流动性吸收型。使用机器人的参与者的平均收益没有显著差异；然而，那些在使用机器人交易的同时也进行手动交易的参与者，收益更高。

通过将机器人选择与行为博弈论中的“策略方法”联系起来，我们建立了一个框架，用于正式化在金融市场中部署自动化交易算法（机器人）。该框架强调了战略前瞻性（优势）与有限适应性（劣势）之间的平衡。虽然交易者必须预先考虑其策略选择（算法），但已部署的机器人在所选策略无效时无法迅速适应。相反，手动提交订单允许交易者实时适应市场变化，类似于机器学习中的传统强化学习。

我们的假设从市场层面结果（错误定价、流动性）到个体层面现象（收益差距、机器人选择）均有涵盖。因此，将其分为两类：（1）市场层面结果（2）个体对机器人选择的决策。

假设A.1：当机器人可用时，错误定价将减少。

我们假设，机器人的存在将减少错误定价，因为它们鼓励市场参与者采用“策略方法”。该方法要求参与者采用前瞻性的角度，试图预测未来价格的演变。尽管许多未来价格情景可能会被考虑，但资产的基本价值（即剩余预期股息的总和）在实验的说明期就被告知参与者，且在预测错误时，定价接近基本价值可以最小化损失。因此，我们预计参与者会部署基于“价格接近基本价值”原理的算法。在这种情况下，如果所有人都持相同观点，价格将被迫使接近于基本价值，形成自我实现的均衡。我们关于机器人存在会减少错误定价的预测更加合理，因为在具有战略不确定性的简单博弈中，参与者倾向于通过风险最小化来应对不确定性。在我们的博弈中，使用基本价值作为参考点的交易策略也是风险最小化的，因为即使有人偏离基本价值，与偏差进行交易的收益预期仍为正。

假设A.2：在承诺处理下，错误定价最少。

策略算法的部署带来了优势和挑战。如引言中所述，承诺执行某一策略将暴露于战略失误的后果，因为一旦策略启动，任何错误都会导致严重的财务损失。鉴于承诺带来的高风险，合理假设参与者在确定算法参数时会更加谨慎。因此，我们认为承诺处理将产生最低的错误定价水平。

在惩罚处理下，预期结果较不确定。由于机器人部署延迟会导致惩罚，急于避免惩罚可能会降低战略决策的质量。匆忙做出的决策可能无意中加剧错误定价。时间压力加上快速部署机器人的紧迫感可能会削弱机器人选择的质量。

假设A.3：机器人的存在可能导致更多价格暴涨/暴跌。

理论预测，基于偏离基本价值的价格预期所作出的策略选择会导致过度波动。价格暴涨/暴跌是过度波动的表现之一。从历史数据的分析中可以得出，算法交易增加了价格闪电崩盘的发生频率，尽管这一结论仍有争议。

依据Biais, Foucault和Moinas（2011）的观点，我们的假设是，策略的不协调将导致过度价格波动。我们预计这种不协调主要发生在实验的早期回合，当时参与者仍在协调他们的策略。因此我们推测，在早期回合中将出现更多的价格暴涨或暴跌。值得注意的是，这一效应在承诺处理下可能会有所缓解。原因是交易者可能表现出更高的谨慎，选择那些利用明显错误定价（以低于基本价值买入并以高于基本价值卖出）的机器人，而不是那些激进地利用价格波动的机器人。

需要注意的是，机器人使用导致错误定价减少和价格暴涨/暴跌增多这两个假设并不矛盾。价格暴涨/暴跌预计仅发生在早期回合中。经过一段时间的协调尝试后，我们预计价格仍将接近基本价值。

假设A.4：手动订单影响泡沫和崩盘。

正如之前讨论的，由于战略不确定性和机器人部署带来的协调挑战，手动交易可能扮演独特角色：虽然机器人交易需要前瞻性的视角，而无效的机器人无法迅速被解除和替换，手动交易则允许参与者在实时变化中灵活调整策略。然而，适应性可能伴随着代价。如果决策受制于反应过度且可能目光短浅，手动交易可能成为导致泡沫和崩盘的催化剂。否则，手动交易可能有助于改善定价，引导市场远离泡沫和崩盘。

因此，手动订单影响价格的方向是一个经验性问题。我们的假设是，手动订单会影响泡沫和崩盘，但我们不预先设定其影响方向。

假设A.5：在早期阶段，机器人交易将导致买卖价差增加。

如前文所述，基于历史数据的证据表明，算法交易通常会增加市场流动性，从而缩小买卖价差，尽管这一影响受市场条件的影响。然而，这些研究中可能存在许多混杂因素。例如，算法交易的出现并非外生的，买卖价差缩小的趋势在算法交易出现之前就已存在。

从基本原因来看，机器人交易可能不会导致买卖价差的缩小。有两个相反的效应。第一个效应与假设A.3的推理相类似。选择正确的策略要求参与者仔细考虑其他人将采用的策略：是正确定价、低定价，还是高定价？在了解其他人的策略时，尤其是在早期阶段，更保守的策略（如使用具有较大买卖价差的机器人）可能会被采用。这种策略会减缓机器人之间的竞争，尤其是在有惩罚的情况下，更保守的策略可能仅被用来避免惩罚。

相反的效应是，机器人的参与通过其不同程度的承诺机制，可能会加剧交易者对不同参考价格的僵化。这可能导致市场最佳买卖价差的降低。考虑一种基准情形：所有交易者都使用相同的机器人，因此出价和要价相同。现在考虑异质机器人。在异质情况下，最低的要价可能低于同质情况下的要价，而最高的出价可能高于同质情况下的出价。哪种效应占主导地位是一个经验性问题。然而，我们推测，在交易的早期阶段，第一个效应将比后期更为强烈。因此，我们假设买卖价差在早期阶段会更大。当机器人调整无法实现（因为需要承诺）时，买卖价差的增加将更为显著，尤其是在承诺处理和惩罚处理中。

假设A.6：承诺会导致交易量下降。

交易中部署机器人本质上意味着一定程度的承诺，因为它限制了交易者实时适应市场变化的能力。当这种限制贯穿整个交易周期（如承诺处理）时，我们预期参与者在部署机器人时会更加谨慎。这种长时间的承诺自然会限制交易者尝试不同策略的空间，从而减少通过实验学习的机会。因此，我们假设这将导致交易量的减少。

在惩罚处理中的情况则不太明确：由于选择不当的机器人可能导致亏损，但这些亏损又可以抵消避免惩罚的收益，选择不当的机器人可能导致交易量的增加。

假设A.7：一个机器人平衡混合策略将会出现。

在理论上，没有明显的优势能够在“流动性提供者”和“流动性接受者”类型的机器人之间确立。因此，我们预期两种类型的机器人会达到某种平衡水平的部署。特别是，流动性接受者型机器人的过度部署会为流动性提供者型机器人的部署创造有利条件，反之亦然。我们假设，机器人部署不会完全倾向于某一种类型；在一段时期内一种类型的增加将会在下一时期推动另一种类型的增加，直至达到均衡。

假设A.8：机器人使用会加剧财富不平等。

在我们的设计中，除非受到随机股息的影响，否则平均收益在所有实验场次中应保持一致。但机器人使用可能会导致收益不平等加剧，原因如下：

机器人扩大了参与者可以采用的策略范围。因此，可预见的结果是，当机器人可用时，尤其是当机器人使用成为强制性要求（如惩罚处理时），财富不平等会加剧。由于对机器人部署延迟的惩罚限制了灵活应对的机会，习惯于灵活调整策略的交易者将被要求提前制定交易策略，这对他们而言是一种新的挑战，可能使得他们处于不利地位，进一步加剧不平等。

假设B.1：除非机器人使用是强制的，否则某一时期的机器人使用率高/低将导致下一时期的使用率减少/增加。

机器人提供了显著的优势：它们能够迅速执行交易，使交易者可以专注于策略的制定而不是交易的执行。然而，这种优势并非没有局限性。虽然机器人在速度和效率上表现突出，但它们可能限制交易者灵活应对市场变化的能力。机器人部署越多，保持灵活性的重要性就越高，因此不使用机器人的优势也就越明显。反之，如果某一时期的机器人部署较少，下一时期的机器人部署可能会增加。

我们的假设是，当机器人使用率在一个交易周期中上升或下降时，交易者在下一个周期中将减少或增加对机器人的依赖。

假设B.2：参与者会专注于一种类型的机器人。

由于流动性提供和流动性获取策略的性质截然不同，我们预计参与者在选择机器人时会表现出一致性偏好。因此，我们假设参与者会专门化，而不是在不同类型的机器人之间频繁切换。

假设B.3：随着时间推移，机器人使用将减少。

机器人部署意味着策略的承诺，无论是暂时的（在无承诺处理下）还是持续一段时间的（在承诺处理和惩罚处理下）。如果机器人的策略被证明是次优的，就必须选择一个新策略——即一个新机器人。相比之下，手动交易提供了更大的适应性，允许参与者在市场条件变化时实时调整策略。基于这一推理，我们预测，随着时间推移，机器人使用将会减少。

假设B.4：当错误定价增加时，机器人使用将减少。

我们的机器人执行的是基于预定参考价格的简单买入/卖出策略。应对错误定价事件（如泡沫）需要基于对错误定价持续时间和幅度的更新预期，动态调整这一预定参考价格。这可能需要交易者频繁切换不同的机器人。相比之下，手动交易提供了更快速的调整策略的途径。因此，我们假设，随着错误定价变得更为显著，机器人策略的刚性将成为劣势，从而减少交易者对机器人的依赖。

假设B.5：机器人与手动交易混合的策略收益会更高。

我们的实验为比较手动交易与机器人交易的收益差异，以及不同类型机器人的收益差异，提供了独特的机会。

部署机器人需要仔细的分析和策略制定，而手动交易则提供了应对意外事件的灵活性，例如在价格超出预期范围时进行交易。此外，在具有承诺要求的情况下，手动交易能够抵消机器人行为的不利影响（例如，采取纠正措施）。因此，我们预计那些结合使用机器人和手动交易的参与者将获得最多的收益。

我们的实验表明，可以在受控环境中研究金融市场中的机器人使用。这为现有的研究增加了一个维度，因为以往的研究主要依赖于来自现实市场的历史数据。这类研究的局限性在于，无法控制实验环境，机器人部署也无法直接观察到，而只能从报价和交易数据中推断。缺乏控制意味着无法确定市场的基本价值，因此定价质量无法直接测量，而只能通过方差比率等测试进行评估。我们报告称，方差比率测试应用于我们的数据时，可能会得出错误的推论。

由于在实地研究中，机器人部署只能通过实际交易来衡量，因此流动性接受型机器人（即主动交易机器人）可能难以被检测到。我们在实验中证实了这种偏差：我们发现40%的已部署机器人是流动性接受型，这远远高于实地研究报告的数据。

获得机器人部署的无偏数据对于预测市场在危机情况下的行为至关重要，因为那些在平时处于后台的机器人可能会突然活跃起来，产生的后果无法通过先前活动预测得出。如果仅依赖历史实地数据分析，就相当于假设所有可能的危机都已经发生。因此，我们认为像本文所展示的实验是研究算法交易的重要工具。

在更广泛的行为科学背景下，我们的实验揭示了人类（以及卷尾猴等非人类灵长类）使用“工具”的现象。交易算法可以被视为一种工具，帮助人类扩展其手动能力。人类通常会选择使用物理工具来提高工作效率。我们在这里研究这一行为是否可以延伸到软件工具的使用。参与我们实验的参与者只接受了关于交易算法的基础训练，但他们在交易过程中使用和依赖机器人的频率，提供了一个关于专业人士在实际环境中可能会多么积极使用机器人交易的下限。

因此，我们认为机器人是提升人类能力的一种方式。特别是在SSW（Smith-Suchanek-Williams）环境中，认知能力一直是一个被广泛研究的话题。Hanaki等（2017年）的研究表明，在SSW环境中，如果参与者意识到群体中认知能力的异质性，错误定价的幅度会更大。在一项研究SSW框架下性别构成对错误定价影响的研究中，Cueva和Rustichini（2015年）报告称，认知能力更高的参与者获得的收益更高，且他们的交易价格更接近基本面。基于这些研究，Bosch-Rosa、Meissner和Domenech（2018年）进行了一个两部分的研究，参与者首先根据认知能力高低被分为两组，然后分别参与市场实验。研究报告了在认知复杂性较低的参与者市场中出现经典的泡沫和崩溃模式，而在复杂性较高的参与者市场中则没有泡沫现象。

我们的实验框架不仅应促使进一步研究人类为何以及如何与算法互动，以及这种互动如何增强认知能力。该框架还可以被视为测试新型算法（例如完全自主的、具备意图的智能体，而不仅仅是执行型机器人）的平台，或者是为有意从事算法交易的人们设计的训练场。

以下为部分报告截图

……

获取完整报告

请后台回复“主导交易机器人”

获取下载链接

编辑 / 赵柯斐

审校 / 高利嘉

责编 / 杨世琪

【延伸阅读】