Как квадратный корень, степенные распределения и хаос управляют ценами

Классическая финансовая теория десятилетиями держалась на гипотезе эффективного рынка и модели рационального инвестора. Цены должны быть справедливыми, колебания случайными и подчиняться нормальному распределению, а кризисы должны происходить не чаще чем раз в несколько тысячелетий. Практика разрушила эту красивую картину: крах 1987 года, азиатский кризис, лопнувший пузырь доткомов и мировой финансовый кризис 2008-го показали, что рынки ведут себя как турбулентные потоки воды или землетрясения. Ответом на этот разрыв стала эконофизика - междисциплинарная область, где физики, математики и компьютерные специалисты перестали спрашивать «почему цена справедлива?» и начали изучать «как именно движутся цены и объемы, и каким вселенским законам подчиняется этот хаос».

Отцом-основателем направления считается Бенуа Мандельброт, который еще в 1960-х годах заметил, что хлопковые цены не желают описываться нормальным распределением. Он открыл «толстые хвосты», самоподобие на разных временных масштабах и ввёл понятие фрактальной геометрии применительно к финансам. Позднее, в 1990-е, физики Росарио Мантенья и Юджин Стэнли опубликовали книгу «Введение в эконофизику», а университеты начали готовить специалистов, которые видели в биржевом стакане не абстрактные цифры, а статистический ансамбль частиц.

Сегодня одна из самых ярких лабораторий мира в этой сфере работает в Киотском университете под руководством Юки Сато и Киеси Канадзавы. Их работа 2023 года о «законе квадратного корня» в воздействии сделок на цену стала сенсацией в среде квантов и алготрейдеров. Именно об этом исследовании стоит поговорить особо.

Закон квадратного корня

Представьте, что вы крупный институциональный инвестор и хотите купить значительный пакет акций. Интуитивно кажется, что если покупка 1000 бумаг сдвигает цену на 0,5%, то покупка 2000 бумаг сдвинет ее примерно на 1,0%. Логично? Да. Правильно? Нет.

Согласно закону квадратного корня, воздействие сделки на цену пропорционально не её объёму, а квадратному корню из этого объема. Формула приблизительно выглядит так:

∆P ∝ k * √(Q/V)

где ∆P — изменение цены, Q — размер исполненного ордера, V — средний объем торгов за период, а k — некая константа. Это означает, что для удвоения ценового сдвига требуется в четыре раза больший объём.

Цифры, которые приводят Сато и Канадзава, шокируют своей стройностью. Они проанализировали миллионы сделок на Токийской фондовой бирже и обнаружили: если 100 акций двигают цену на 15 базисных пунктов (0,15%), то, чтобы получить сдвиг в 30 базисных пунктов, понадобится не 200, а примерно 400 акций. Данный закон оказался невероятно устойчивым для разных классов активов и временных периодов. Почему так происходит? Потому что рынок — адаптивная система. Маркет-мейкеры и алгоритмы «впитывают» большие ордера, выставляя дополнительные заявки, предоставляя ликвидность как бы под давлением, и ценовой отклик затухает нелинейно.

Канадзава пошёл дальше и математически вывел этот закон, используя аппарат статистической физики (теорию случайных блужданий частиц с взаимодействием). Он показал, что закон квадратного корня является эмерджентным свойством рынка, возникающим из простых микроскопических правил взаимодействия множества агентов. Трейдер, понимающий это, больше никогда не будет использовать линейные модели рыночного воздействия при исполнении крупных поручений.

Второй столп эконофизики — фрактальная природа ценовых рядов. Если взять график цены за месяц, день или час, и убрать подписи осей, то вы не сможете определить масштаб. Эта самоподобная структура означает, что механизмы, порождающие минутные колебания, качественно не отличаются от механизмов, вызывающих многомесячные тренды. Стандартные модели (геометрическое броуновское движение) предсказывают, что экстремальные скачки в 5, 10 или 20 сигм практически невозможны. Однако реальность демонстрирует степенные распределения доходности: вероятность большого движения убывает не экспоненциально, а как степень величины движения — знаменитые «тяжёлые хвосты».

Мандельброт показал, что для описания финансовых рядов недостаточно одного параметра; нужна мультифрактальная модель, в которой волатильность кластеризуется, а спокойные периоды сменяются турбулентными. Практический вывод: риск-менеджмент, построенный на VaR с нормальным распределением, систематически недооценивает частоту крахов. Умный управляющий использует степенные распределения для расчета капитала под риском, что требует большего буфера ликвидности, но спасает в черные лебединые дни.

Может ли рынок быть предсказуем локально?

В конце XX века физики открыли детерминированный хаос — системы, поведение которых полностью определяется простыми правилами, но настолько чувствительно к начальным условиям, что долгосрочный прогноз невозможен. Рынок демонстрирует типичные признаки хаоса: странные аттракторы, положительные показатели Ляпунова. Это опровергает тезис абсолютной непредсказуемости: если система детерминирована, значит, в ней есть структура, которую можно локально эксплуатировать. Именно на этом строятся многие краткосрочные алгоритмические стратегии, которые ищут повторяющиеся геометрические паттерны в реконструированном фазовом пространстве объема, цены и волатильности.

Конечно, горизонт предсказания ограничен. Мелкие погрешности в данных нарастают экспоненциально, и через несколько шагов прогноз становится бесполезным. Но внутри этого горизонта существуют островки порядка, которые кванты пытаются захватить.

Что всё это даёт трейдеру и аналитику? Во-первых, закон квадратного корня напрямую используют алгоритмы исполнения (VWAP, TWAP, Implementation Shortfall): они дробят ордера с учетом нелинейного воздействия, минимизируя проскальзывание. Во-вторых, фрактальный анализ волатильности помогает строить адаптивные индикаторы, которые не отстают при смене рыночного режима. В-третьих, теории сложных сетей (еще одна ветвь эконофизики) применяются для анализа взаимосвязей активов: оказалось, что структура корреляционных матриц акций повторяет структуру взаимодействия белков в клетке, и методы анализа этих матриц, заимствованные из физики твердого тела, позволяют выявлять кластеры риска перед кризисами.