Coleções/11 partes/176 min no total

Execution & Market Making

From TWAP/VWAP and Almgren-Chriss to TCA, slippage models, and the Avellaneda-Stoikov market maker - how to turn a signal into fills without paying the spread twice.

01

TWAP vs VWAP vs POV: como escolher um benchmark de execução (e saber quando cada um te engana)

TWAP, VWAP e POV são apostas sobre uma previsão de volume. Dissecamos as premissas ocultas de cada scheduler, construímos curvas de volume intradiário para cripto, e comparamos os três lado a lado sobre dados de L2 reproduzidos.

02

Almgren-Chriss Sem Rodeios: Execução Ótima que Você Consegue Implementar em uma Tarde

Derivação completa do modelo de execução ótima de Almgren-Chriss: impacto linear, a trajetória sinh/cosh, a fronteira eficiente e código Python funcional para calibrar eta, gamma e sigma a partir de dados de L2 e trades da Binance.

03

Dentro do slice: táticas de child order entre o seu scheduler e a exchange

Almgren-Chriss e VWAP apenas definem orçamentos de slice - a execução é vencida na camada tática. Timers de escalonamento, matemática de break-even maker-taker, semântica de fila em amend vs cancel-replace na Binance/OKX/CME, anti-sinalização de iceberg, e uma máquina de estados em Python por slice.

04

Smart Order Routing em Cripto: Uma Ordem, Doze Corretoras, Nenhum NBBO

Por que o SOR em cripto é mais difícil do que o roteamento em ações: sem fita consolidada, liquidez fantasma, capital pré-financiado. Uma otimização de roteamento convexa com matemática e Python, táticas cientes de maker e tabelas de classificação de markout por corretora vindas da sua própria TCA.

05

A decisão maker-taker: faixas de taxas, rebates e o custo real de cruzar o spread

Maker vs taker é uma operação de seleção adversa disfarçada de tabela de taxas. Matemática do break-even via Glosten-Milgrom, faixas de taxas reais em cripto e descontos por token, história da mineração de rebates, valor do rebate dependente da fila, e como modelar taxas escalonadas em um backtest.

06

Curvas de slippage, não constantes de slippage: modelos de custo que sobrevivem ao contato com o trading ao vivo

Substitua o slippage de bps constante por curvas de custo dependentes de tamanho, volatilidade e liquidez: a lei da raiz quadrada, ajuste de curvas a partir de fills de TCA ou dados públicos, multiplicadores de estresse por regime, e por que o seu leaderboard de estratégias se reembaralha.

07

Simulação de fills: a escada da fantasia do preço de fechamento à realidade ciente da fila

Cinco degraus de fidelidade na simulação de fills - de fills a preço de fechamento a modelos probabilísticos de posição na fila. Fills parciais como máquina de estados, limites de probabilidade de fill de ordens limitadas como faixa de PnL, e um loop de calibração contra fills ao vivo.

08

Implementation shortfall e TCA caseiro: medindo o que a execução realmente custa

O implementation shortfall de Perold transformado em um pipeline de TCA funcional para bots de cripto: decomposição em torno do preço de chegada, curvas de markout em t+1s/10s/60s, ~200 linhas de Python sobre suas próprias execuções, e realimentando os resultados no modelo de custos do seu backtest.

09

Construindo um algoritmo de market making para pares cripto usando o modelo Avellaneda-Stoikov

Um guia passo a passo para construir um algoritmo de market making para os pares USD+/wETH e USD+/cbbtc usando o modelo Avellaneda-Stoikov e PPO. Particularidades do trading onchain, gestão de inventário, treinamento RL.

10

Updating the Volume Curve Intraday: Does Adaptive Forecasting Actually Help?

Our VWAP article shipped a static, weekly-refit volume curve and called the forecaster the weakest link. This is the follow-up: a Bayesian intraday updater run against the same 500-parent BTCUSDT harness, with the IS delta conditioned on realized curve error.

11

PnL por tempo ativo: a métrica que muda o ranking de estratégias

Por que o PnL anual bruto é uma métrica pobre para comparar estratégias com tempos de negociação diferentes. Como calcular o retorno efetivo, por que você precisa de fill_efficiency, e por que uma estratégia com 27% de PnL pode superar uma com 300%.