Abstract:
Questa tesi esplora il tema della microstruttura di mercato, con un focus sui mercati delle criptovalute.
Utilizzando un approccio top-down, viene introdotto il concetto più ampio di "mercati finanziari", soffermandosi sulla crescente popolarità delle sedi di negoziazione viste come piattaforme fisiche e virtuali dove gli operatori possono interagire e condurre transazioni.
Viene presentata una tassonomia dei partecipanti del mercato, delle sedi, delle caratteristiche del mercato e dei modi in cui queste variabili interagiscono, così da costruire una base per varie considerazioni microstrutturali delineate nei capitoli successivi.
Viene esplorata la microstruttura dei mercati delle criptovalute, evidenziando le principali differenze e innovazioni che la distinguono dalla microstruttura dei mercati tradizionali.
L'analisi dell'order flow viene presentata come strumento di microstruttura per spiegare i movimenti dei prezzi ed è seguita da un'applicazione pratica e originale alla coppia di criptovalute bitcoin/tether. I dati relativi alla coppia analizzata provengono dall'exchange Binance, che ha attuato un cambiamento nel regime commissionale a marzo 2023. Questo cambiamento nella struttura delle commissioni di trading viene analizzato per capire come shock esogeni possano alterare la microstruttura di un mercato. In particolare, il potere esplicativo delle metriche di order flow viene misurato prima e dopo la modifica delle commissioni, alla ricerca di implicazioni non superficiali. L'analisi viene inizialmente eseguita con metodi OLS tradizionali. Vengono poi presentati nuovi strumenti e tecniche di machine learning (ML) come mezzi validi per produrre risultati più precisi e robusti. Un algoritmo di gradient-boosting viene applicato agli stessi dati di Binance, analizzando le principali differenze tra i risultati OLS e ML. La tesi si conclude con alcune ulteriori considerazioni e spunti di riflessione sul potenziale futuro dei mercati finanziari e sulla loro efficienza in funzione dell'applicazione di algoritmi di AI/ML a dati microstrutturali, lasciando aperta una domanda relativa a come il processo di alpha generation potrebbe essere influenzato da queste tecniche.
