Tőzsdék és ECN kereskedési rendszerek versenyhelyzete az algoritmikus kereskedés piacán, valamint a BÉT stratégiájának revíziója a témában

Az algoritmikus kereskedés több időpontban végzett hasonló kutatás szerint a piaci likviditás közel 50%-át tette ki, valamint hasonló mértékben használta fel azt, így nem okozott likviditási problémákat. Az átlagosan alacsonyabb rendelésméretek és több kereskedés miatt az algoritmikus kereskedés gyakran érzékenyebb az árrésre, melyek esetén az ECN rendszerek előnyt élveznek. A Xetra és az Euronext Európában vezető tőzsdei rendszerek, a szakirodalom szerint kereskedési protokolljukban jelentős különbségek vannak, a spreadek alacsonyabbak a Xetra-n, továbbá a realizált spreadek is lényegesen magasabbak az Euronext-en. A Budapesti Értéktőzsde (BÉT) is a Xetra rendszert használja, algoritmikus kereskedéseket csupán további szigorításokkal tervezik szankcionálni a stratégiai tervben. Javasolt volna a versenyképesség növelése végett az algoritmikus kereskedés bátorítása, valamint ECN rendszerekkel való együttműködési lehetőségek felfedezése, a stratégiai tervnek pedig ezzel összhangban való felülvizsgálása.

CONTROLLER INFO IX. ÉVF. 2021. 4. SZÁM 53-58

DOI: 10.24387/CI.2021.4.10

Felhasznált irodalom

Rutterford, J. (1993). Introduction to Stock Exchange Investment, Second Edition, 281-308, The Macmillan Press Ltd., London.

Becket, M. (2012). How the Stock Market Works: A Beginner’s Guide to Investment. New York. Kogan Page Publishers

Jennifer Conrad – Kevin M. Johnson – Sunil Wahal (2003). Institutional trading and alternative trading systems, Journal of Financial Economics, Volume 70, Issue 1, Pages 99-134, ISSN 0304-405X

Roger D. Huang (2002). The Quality of ECN and Nasdaq Market Maker Quotes, The Journal of Finance, https://doi.org/10.1111/1540-6261.00461

Jennifer Conrad – S. Johnson – Kevin M. – Wahal, Sunil (2001). Alternative Trading Systems , SSRN: https://ssrn.com/abstract=271669

Donald MacKenzie (2019). How Algorithms Interact: Goffman’s ‘Interaction Order’ in Automated Trading

M. Kearns – L. Ortiz (2003). The Penn-Lehman automated trading project, IEEE Intelligent Systems, Volume: 18, Issue: 6

M.A.H. Dempster – V. Leemans (2006). An automated FX trading system using adaptive reinforcement learning, Expert Systems with Applications, Volume 30, Issue 3, Pages 543-552, ISSN 0957-4174

United States Securities And Exchange Commission (2015). Registration No. 333, https://www.sec.gov/Archives/edgar/data/1659228/000104746915009232/a2226675zs-1.htm

Giuseppe Nuti – Mahnoosh Mirghaemi – Philip Treleaven – Chaiyakorn Yingsaeree (2011). Algorithmic Trading, Computer, Volume: 44, Issue: 11, DOI: 10.1109/MC.2011.31

Ian Domowitz – Henry Yegerman (2006). The Cost of Algorithmic Trading, The Journal of Trading Winter 2006, 1 (1) 33-42; DOI: https://doi.org/10.3905/jot.2006.609174

Terrence Hendershott – Ryan Riordan (2013). Algorithmic Trading and the Market for Liquidity, Journal Of Financial And Quantitative Analysis Vol 48, No 4, Aug 2013. Pp 1001-1024 Copyright Michael G Foster School Of Business. Universty Of Washington. Seattle. Wa Se T95 Cloi:10.1017/Sco22109013cc0471

Terrence Hendershott – Ryan Riordan (2011). Algorithmic Trading and Information, University of California at Berkeley

Kasch-Haroutounian, Maria – Theissen, Erik (2006). Competition between exchanges: Euronext versus Xetra, CFR Working Paper, No. 07-10, University of Cologne, Centre for Financial Research (CFR), Cologne

Csomós György (2011). A közép-európai régió nagyvárosainak gazdaságirányító szerepe, Tér és Társadalom, 25. évf., 3. szám, 2011

Stratégiai Jelentés, Budapesti Értéktőzsde Zrt, 2020.

Robert Kissel, Ph.D. (2020): Algorithmic Trading Methods: Applications using Advanced Statistics, Optimization, and Machine Learning Techniques, Academic Press, ISBN-13: 978-0128156308, pp. 3-15, pp. 27-28, pp. 175-177, p. 224, pp. 519-523

Steven L. Brunton – J. Nathan Kutz (2019): Data-Driven Science and Engineering, Cambridge University Press, ISBN: 978-1-108-42209-3, pp. 117-118, pp. 196-199