Разработка модели прогнозирования ликвидности

Разработка модели прогнозирования ликвидности

Ликвидность крипторынка — не константа. Она резко падает в периоды рыночного стресса, в нерабочие часы, при аномальных событиях. Модель прогнозирования ликвидности позволяет алгоритмическим системам адаптировать стратегию: изменять размер ордеров, расширять спреды, откладывать исполнение.

Метрики ликвидности

Bid-Ask Spread: простейшая метрика ликвидности. Узкий спред = высокая ликвидность.

Relative Spread = (Ask - Bid) / Mid × 100%

Market Depth: суммарный объём в стакане на N% от mid-price. Глубокий стакан выдержит крупный ордер без сильного slippage.

Amihud Illiquidity Ratio: измеряет ценовое движение на единицу объёма:

def amihud_ratio(returns, volumes, window=24):
    """
    Высокое значение = большое движение цены при малом объёме = низкая ликвидность
    """
    illiquidity = np.abs(returns) / (volumes + 1e-8)
    return illiquidity.rolling(window).mean()

Kyle's Lambda (price impact): регрессия изменения цены на order flow:

def kyles_lambda(price_changes, order_flow, window=100):
    """
    λ = Cov(ΔP, OF) / Var(OF)
    Высокое λ = большой price impact = низкая ликвидность
    """
    lambdas = []
    for i in range(window, len(price_changes)):
        dp = price_changes[i-window:i]
        of = order_flow[i-window:i]
        cov = np.cov(dp, of)[0, 1]
        var = np.var(of)
        lambdas.append(cov / max(var, 1e-10))
    return lambdas

Факторы ликвидности

Временны́е паттерны:

• Суточный цикл: 14:00–22:00 UTC (перекрытие европейской и американской сессий) — максимальная ликвидность
• Выходные дни — ниже ликвидность на 20–30%
• Праздники — особенно низкая ликвидность

Market regime:

• High volatility periods → маркет-мейкеры расширяют спреды или уходят
• Trending market → ликвидность асимметрична (хуже на стороне тренда)

Cross-asset effects:

• При падении BTC ликвидность всего рынка ухудшается
• Стрессовые события (hack, regulatory) → резкое ухудшение

Модель прогнозирования

import lightgbm as lgb
import pandas as pd
import numpy as np

def create_liquidity_features(df, spread_col='spread', depth_col='depth_1pct'):
    features = pd.DataFrame(index=df.index)
    
    # Временны́е features
    features['hour'] = df.index.hour
    features['day_of_week'] = df.index.dayofweek
    features['is_weekend'] = (features['day_of_week'] >= 5).astype(int)
    features['hour_sin'] = np.sin(2 * np.pi * features['hour'] / 24)
    features['hour_cos'] = np.cos(2 * np.pi * features['hour'] / 24)
    
    # Lagged ликвидность
    for lag in [1, 4, 12, 24, 48]:
        features[f'spread_lag_{lag}'] = df[spread_col].shift(lag)
        if depth_col in df.columns:
            features[f'depth_lag_{lag}'] = df[depth_col].shift(lag)
    
    # Rolling statistics
    for window in [12, 24, 72]:
        features[f'spread_ma_{window}'] = df[spread_col].rolling(window).mean()
        features[f'spread_std_{window}'] = df[spread_col].rolling(window).std()
    
    # Волатильность (прокси ликвидности)
    returns = df['close'].pct_change() if 'close' in df.columns else pd.Series(index=df.index)
    for window in [12, 24]:
        features[f'vol_{window}h'] = returns.rolling(window).std()
    
    # Объём
    if 'volume' in df.columns:
        features['vol_ratio'] = df['volume'] / df['volume'].rolling(24).mean()
    
    # Amihud ratio
    if 'close' in df.columns and 'volume' in df.columns:
        features['amihud'] = amihud_ratio(returns, df['volume'])
    
    return features.dropna()

def train_liquidity_model(liquidity_df, target_col='spread', horizon=4):
    """
    Предсказываем спред/ликвидность через horizon периодов
    """
    X = create_liquidity_features(liquidity_df)
    y = liquidity_df[target_col].shift(-horizon)  # future spread
    
    # Walk-forward split
    split_idx = int(len(X) * 0.8)
    X_train, X_test = X.iloc[:split_idx], X.iloc[split_idx:]
    y_train, y_test = y.iloc[:split_idx], y.iloc[split_idx:]
    
    # Убираем NaN из target
    valid_mask = y_train.notna()
    
    model = lgb.LGBMRegressor(
        n_estimators=500,
        learning_rate=0.05,
        num_leaves=31,
        early_stopping_rounds=50
    )
    model.fit(
        X_train[valid_mask], y_train[valid_mask],
        eval_set=[(X_test, y_test.fillna(method='ffill'))],
        callbacks=[lgb.early_stopping(50), lgb.log_evaluation(100)]
    )
    
    return model

Оценка market impact

Перед исполнением крупного ордера — прогноз его влияния на цену:

def estimate_market_impact(order_size_usd, current_depth, 
                           current_spread, lambda_estimate):
    """
    Simplified Almgren-Chriss model для market impact
    """
    # Временны́й impact (исчезает быстро)
    temporary_impact = lambda_estimate * np.sqrt(order_size_usd)
    
    # Постоянный impact (market information)
    permanent_impact = 0.5 * temporary_impact  # обычно 50% от temporary
    
    # Spread cost
    spread_cost = current_spread / 2 * order_size_usd
    
    total_cost = (temporary_impact + permanent_impact + spread_cost)
    total_cost_bps = total_cost / order_size_usd * 10000  # в basis points
    
    return {
        'total_impact_usd': total_cost,
        'total_impact_bps': total_cost_bps,
        'temporary': temporary_impact,
        'permanent': permanent_impact,
        'spread_cost': spread_cost,
        'optimal_execution': total_cost_bps > 10  # нужен TWAP/VWAP
    }

Liquidity forecasting в production

Realtime обновление: прогноз ликвидности пересчитывается каждые 15 минут на следующие 4 часа.

Integration с исполнением: перед запуском крупного ордера — проверяем прогноз ликвидности. Если прогнозируется снижение (например, через 2 часа приближается конец рабочего дня в США) — ускоряем исполнение сейчас.

Adaptive spreads для маркет-мейкинга: при прогнозе ухудшения ликвидности — автоматически расширяем котируемый спред.

Разрабатываем модель прогнозирования ликвидности с временны́ми features, lagged spread/depth, market regime учётом, market impact estimation (Almgren-Chriss) и integration с execution алгоритмами.