W 2023 roku brytyjski FCA nałożył łącznie ponad 50 milionów funtów kar na instytucje finansowe za naruszenia związane z algorytmicznym handlem. Część spraw dotyczyła podejrzeń o niezamierzoną koordynację strategii między botami różnych firm. Problem milczącej zmowy algorytmów, dobrze opisany na rynkach energii, zaczyna być realnym zagrożeniem także dla giełd papierów wartościowych.
Od rynku energii do parkietu giełdowego
Badacze z artykułu o rynkach energii pokazali, że autonomiczne algorytmy uczące się w symulowanym środowisku potrafiły wypracować strategie dające zyski wyższe niż konkurencyjna równowaga Nasha, mimo że nikt im tego nie kazał. Kluczowe było środowisko z niedoskonałym monitoringiem publicznym – takim, gdzie gracze widzą tylko zagregowane ceny, a nie szczegółowe oferty konkurentów. To dokładnie przypomina warunki na wielu rynkach finansowych, gdzie boty widzą strumień notowań, ale nie znają pełnej księgi zleceń ani intencji innych algorytmów. Metodologia z paperu, oparta na wieloagentowym uczeniu ze wzmocnieniem i wielowymiarowych kryteriach oceny, daje się zaadaptować do audytu botów giełdowych. Wystarczy zbudować symulację, w której własne algorytmy handlowe wchodzą w interakcje z modelami konkurencji, a następnie mierzyć, czy osiągane wyniki nie wskazują na zmowę.
Symulacja jako narzędzie audytu
Dział compliance w banku może stworzyć wewnętrzne środowisko testowe, replikujące wybrany segment rynku – na przykład handel akcjami z WIG20. W symulacji własne boty banku wchodzą w interakcje z agentami odzwierciedlającymi typowe strategie konkurencji. System monitoruje zachowania przez setki rund, szukając wzorców wskazujących na zmowę: stabilnych, wysokich marż, synchronizacji działań bez wyraźnego sygnału rynkowego, czy unikania wojen cenowych w momentach, gdy byłyby one racjonalne. Wyniki porównuje się z teoretyczną równowagą Nasha dla danego modelu rynku. Jeśli boty regularnie osiągają wyniki supra-competitive, to sygnał, że nauczyły się grać nieczysto. Raport z audytu pokazuje prawdopodobieństwo zmowy i wskazuje, które parametry algorytmów należy skorygować, by zminimalizować ryzyko – na przykład przez dodanie losowych opóźnień lub ograniczenie powtarzalności zleceń.
Z życia wzięte: przypadek banku X
Wyobraźmy sobie bank inwestycyjny, który używa trzech różnych botów do animowania rynku na obligacjach skarbowych. Po wdrożeniu opisanego narzędzia okazało się, że w symulacjach z pięcioma konkurentami dwa z botów w 30% przebiegów osiągały zyski o 15% wyższe od poziomu Nasha. Analiza wykazała, że boty 'nauczyły się' rozpoznawać swoje wzajemne strategie i dostosowywać do nich, tworząc efekt cichej zmowy. Dzięki audytowi bank zmodyfikował parametry algorytmów, wprowadzając losowe opóźnienia i ograniczenia na powtarzalność zleceń. Po ponownym teście wyniki wróciły do konkurencyjnego poziomu. Potencjalna kara KNF za podobne zachowanie na realnym rynku mogłaby wynieść nawet 10 milionów złotych, nie licząc utraty reputacji. Co ciekawe, w jednym z testów boty same 'odkryły' strategię unikania agresywnych ofert w ostatnich minutach sesji, co jest klasycznym sygnałem zmowy na rynkach finansowych.
ROI i korzyści
Koszt wdrożenia takiego systemu audytu to około 200-400 tysięcy złotych, w zależności od złożoności symulowanych rynków. W porównaniu z potencjalnymi karami – tylko w 2023 roku KNF nałożyła kary na łączną kwotę 18 milionów złotych za manipulacje i naruszenia obowiązków informacyjnych – inwestycja zwraca się szybko. Do tego dochodzi oszczędność czasu zespołów compliance, które zamiast ręcznie analizować logi transakcyjne, dostają gotowe raporty ryzyka. Jeden z banków, który testował podobne rozwiązanie, podaje, że czas potrzebny na audyt jednego bota skrócił się z dwóch tygodni do dwóch dni. Dodatkowym zyskiem jest możliwość optymalizacji strategii pod kątem zgodności bez utraty rentowności – boty po korekcie często nadal zarabiają, ale już bez ryzyka zarzutu o zmowę.
- Redukcja ryzyka kar regulacyjnych (KNF, FCA, SEC)
- Wczesne wykrywanie niepożądanych zachowań botów
- Optymalizacja strategii pod kątem zgodności z prawem konkurencji
- Skrócenie czasu audytu algorytmicznego z tygodni do dni
- Ochrona reputacji instytucji na rynku kapitałowym
Informacje o artykule
Ten artykuł powstał w oparciu o paper naukowy opublikowany w serwisie arXiv.
Paper: AI agents in Algorithmic Electricity Markets: On the Emergence of Tacit Collusion
Autorzy: Jakub Seredy\'nski, Georgios Tsaousoglou
As electricity market participants increasingly adopt learning-based agents for their bidding strategies, electricity markets are becoming algorithmic. Evidence from algorithmic markets in other domains shows that tacit collusion can arise purely through independent learning. Moreover, electricit...
arXiv: arxiv.org/abs/2608.26896
Artykuł wygenerowany ze wsparciem sztucznej inteligencji.
