A combinatorial multi-armed bandit algorithm for dollar volume maximization in the dark pool problem

We study the problem of developing a Smart Order Routing algorithm able to maximize the dollar volume, which is the total value of the traded shares gained from selling assets of shares in a multi-venue environment consisting of dark pool venues. Our work is motivated by two distinct issues: (i) the surge in the liquidity fragmentation, caused by the rising popularity of electronic trades and by the increasing number of different trading venues, resulting in the trades of assets across a large number of venues at different prices and quantities and (ii) the growth in popularity of dark pools, a type of stock exchange characterized by a complete lack of transparency. Our paper critically discusses the known dark pool literature and proposes a novel algorithm, namely the DP-CMAB algorithm, that extends the existing solutions by allowing the agent to specify the desired share selling price to capture the optimal dollar volume from the trading venues. More specifically, we frame the problem of dollar volume maximization in a multi-venue setting as a CMAB problem, which represents a generalization of the well studied MAB framework. Drawing from the rich MAB and CMAB literature, we present the different strategies our algorithm can implement to select the best allocation options. Furthermore, we analyze how exploiting the knowledge about the financial setting affects the performance of the agents. For this reason, we devise different update strategies, through which the agents can take advantage of the domain knowledge and the correlations between the allocations to improve its routing policy. Finally, we evaluate the DP-CMAB performance in an environment built from real market data and we show that our algorithm is able to outperform state-of-the-art algorithms.

In questo lavoro, studiamo il problema di sviluppare un algoritmo di Smart Order Routing pensato per massimizzare il dollar volume (costituito dal valore totale degli shares venduti), ottenuto dalla vendita di assets in un mercato composto da molteplici dark pools. Il nostro lavoro è motivato da due aspetti: (i) l'incremento riguardante la frammentazione della liquidità, provocata dagli scambi digitali e dal numero crescente di sedi di scambio, che porta le azioni ad essere vendute a diversi prezzi e quantità e (ii) la diffusione dei dark pools, un tipo di sede caratterizzato dalla completa mancanza di trasparenza. Il nostro lavoro analizza la già esistente letteratura rigurdante i dark pools ed introduce un nuovo algoritmo, chiamato DP-CMAB, che estende le precedenti alternative e permette di specificare il prezzo di vendita degli asset. Più nel dettaglio, formuliamo il problema di massimizzare il dollar volume in un mercato composto da diversi dark pools come un problema CMAB, che rappresenta una generalizzazione del framework MAB. Esaminando la letteratura su MAB e CMAB, presentiamo diverse strategie implementabili dal nostro algoritmo per selezionare le allocazioni migliori. Inoltre, analizziamo come utilizzare ed incorporare la conoscenza dell'ambiente finanziario impatti sulle performance di regret dei nostri agenti. A questo proposito, introduciamo diverse strategie di update, per mezzo delle quali il nostro algoritmo può sfruttare la conoscenza riguardo la correlazione tra le possibili allocazioni e migliorare la sua politica di routing. Infine, valutiamo empiricamente le prestazioni di DP-CMAB su un ambiente costruito a partire da dati reali di mercato e mostriamo come il nostro algoritmo sia in grado di competere con algoritmi tratti dallo stato dell'arte.