Ataque dos algoritmos: interrupção da cadeia de valor na negociação de commodities

À medida que as tecnologias digitais se tornam mais poderosas e prevalecentes, elas continuam a transformar a cadeia de valor da Commodity Trading. Eles também estão mudando o que é preciso para os comerciantes terem sucesso.

In this article, the second of a series on the impact of Digitalização na negociação de commodities , detalhamos como cada parte da cadeia de valor, desde a securitização dos ativos até o fechamento das posições negociadas, está sendo desconstruída e remodelada. Também identificamos sinais que os gerentes devem procurar ao avaliar o impacto potencial das forças digitais em suas cadeias de valor. Negociação de commodities

A força irreversível da digitalização

Traditionally, commodity traders have created value by using three primary tools to build dynamic advantage: access to supe­rior market information, control of critical assets, and superior trading capabilitdies, which stem, in part, from strong IT systems and agile and entrepreneurial traders and trading teams. As we discussed in our first article in this series, rapidly advancing digital technologies are pushing commodity markets increasingly toward hyperliquidity and putting pressure on all three of these tools. (See “Hyperliquidity: A Gathering Storm for Commodity Traders,” BCG article, November 2016.)

Information is the glue that holds value chains together, and it used to be proprietary, at least to some degree, in commodity trading. (See “ A desconstrução das cadeias de valor , "BCG Artigo, setembro de 1998.) Cada vez mais, no entanto, as informações estão se tornando amplamente disponíveis, em tempo real e a menor custo, reduzindo a vantagem competitiva que os titulares usavam para obter através do acesso a informações superiores. Securitização de ativos-incluindo energia solar, resposta da demanda residencial e armazenamento de petróleo-afeta os comerciantes não tradicionais, muitas das vantagens da propriedade de ativos, mas com maior flexibilidade e muito menos risco operacional e investimento necessário. Os assuntos tão diversos quanto o desempenho climático e refinarias estão explodindo. Os algoritmos podem absorver essas informações muito mais rápidas e analisá -las muito mais profundas do que a equipe mais inteligente e experiente de comerciantes humanos. Cadeia

Similarly, control of critical assets, such as refineries and power plants, is becoming a less effective source of advantage as these assets have become securitized and thus able to be traded digitally on financial markets. Securitization of assets—including solar power, residential demand response, and oil storage—affords nontraditional traders many of the advantages of asset ownership but with greater flexibility and much less operational risk and required investment.

The value of established superior trading capabilities, in turn, is under pressure from the increasing sophistication and deployment of algorithm-based trading systems. The amount and variety of information available on subjects as diverse as weather and refinery performance is exploding. ­Algorithms can absorb this information much faster and analyze it far more thoroughly than even the smartest, most experienced team of human traders.

These forces, coupled with commodity markets’ ongoing progression toward hyper­liquidity, are fundamentally—and irreversibly—transforming commodity trading and its sources of competitive advantage.

Disruption Across the Value Chain

Para entender os efeitos dessas forças no modelo de negócios tradicional da Commodity Trading, ajuda a examinar os três estágios principais da cadeia de valor do setor: pré -traço, comércio e pós -trado. (Consulte a exposição.)

Pretrade

The first stage of the value chain consists of two elements: securitization and investment decision support.

Securitization. This can take one of two forms: securitization of assets or secur­itization of contracts (also known as ­origination).

The securitization of assets can involve both aggregation (for example, the pooling of solar panels to create a virtual power plant) and disaggregation (for ­instance, the division of financial ownership of a ­facility for Exportação de gás natural liquefeito [GNG]= ou armazenar óleo). A securitização é altamente vulnerável às forças digitais, uma vez que a agregação e a desagregação podem ser realizadas automaticamente em plataformas digitais: em vez de cada acordo negociado por departamentos comerciais e comerciantes de commodities, os produtos financeiros podem ser agrupados, reagrupados e negociados instantaneamente. Isso muda a dinâmica do mercado, permitindo que mais jogadores, incluindo pequenos e não tradicionais, obtenham acesso a ativos e, para fazê-lo com muito pouco capital, que pode corroer parcialmente a vantagem de possuir e operar um ativo. Os exemplos incluem acordos sobre a inauguração de longo prazo do GNL e produtos de investimento estruturado, incluindo aqueles baseados em padrões de consumo de energia. Muitos comerciantes em mercados de commodities menos desenvolvidos criaram um negócio com base na securitização dos contratos. Seu modelo de negócios enfrentará uma pressão crescente à medida que os mercados de commodities se desenvolverem cada vez mais e à medida que mais mercados de curto prazo emergem, oferecendo maior liquidez, transparência de preços e capacidade de proteger riscos. Essa evolução já é evidente em vários mercados, incluindo gás europeu.

The securitization of contracts involves ­creating standardized products from ­large-scale, nonstandard contractual ­agreements between two parties. Examples include agreements regarding the long-term ­off-take of LNG and structured ­investment products, including those based on energy consumption patterns. Many traders in less-­developed commodity ­markets have created a business based on the ­securitization of contracts. Their ­business model will face growing pressure as commodity markets become increas­ingly ­developed and as more short-term ­markets emerge, offering greater ­liquidity, price transparency, and ability to hedge risk. That evolution is already evident in a ­number of markets, including ­European gas.

Além dos riscos para os comerciantes, no entanto, também haverá oportunidades. Uma empresa comercial poderia, por exemplo, construir uma plataforma baseada em algoritmo que oferece cotações de preços em produtos estruturados em tempo quase real e sem a necessidade de comerciantes humanos. Essa plataforma atrairia vendedores, compradores e intermediários.

Suporte à decisão de investimento. Inclui análise de formação de preços, modelagem fundamental de demanda da oferta e a quantificação do sentimento do mercado e as preferências do cliente. Essas atividades estão mudando drasticamente à medida que novas quantidades e tipos de dados permitem que os participantes do mercado entendam padrões de oferta e demanda e sentimentos de mercado com muito mais profundidade. Obter acesso a dados relacionados aos preços das commodities, por exemplo, não requer mais tocar o intermediário do corretor; Os dados podem ser obtidos por meio de qualquer número de canais. Os dados brutos sobre o movimento de embarcações globais que transportam commodities são abundantes e prontamente disponíveis. Os varejistas de combustível podem entender melhor os padrões de demanda instalando microssensores em bombas de combustível. Os comerciantes focados nas culturas podem obter dados em tempo real sobre a maturação das culturas através de vídeos de smartphones gravados enquanto dirigem pelos campos. Isso inclui dados extraídos nas mídias sociais e fontes de notícias on -line, que disponibilizam dados sobre sentimentos do mercado, condições climáticas, acidentes e outras variáveis ​​relevantes disponíveis em tempo real e, muitas vezes, antes dos comunicados oficiais de notícias. De fato, o principal desafio para os comerciantes agora não é como recuperar essas informações, mas como organizá -las e analisá -las. Um conjunto de empresas emergentes está focado em coletar dados de várias fontes, estruturá -los e alimentá -los diretamente com sistemas de negociação. Ravenpack, por exemplo, segue notícias de várias fontes e a organiza com base no impacto e na novidade; Quandl, um serviço de coleta de dados, reúne e organiza dados sobre preços e fundamentos, poupando os comerciantes a tarefa de extrair, transformar e carregar os próprios dados. O volume de dados é simplesmente grande demais para modelos analíticos construídos humanos para minerar completamente e com velocidade suficiente. Os sistemas de aprendizagem de hoje, por outro lado, podem rapidamente analisar os números e identificar prontamente os padrões invisíveis para os comerciantes humanos. O aprendizado de máquina, por exemplo, pode classificar dados, cluster componentes principais e criar estruturas de tomada de decisão com base em dados e algoritmos de forma independente, sem necessidade de orientação humana. This refers to the analytical activities associated with preparing a trading strategy. It includes price formation analysis, fundamental supply-demand modeling, and the quantification of market sentiment and customer preferences. These activities are changing drastically as new quantities and types of data allow market players to understand supply and demand patterns and market sentiment much more thoroughly.

Examples abound. Gaining access to data related to commodity pricing, for instance, no longer requires tapping the broker middle­man; the data can be obtained via any number of channels. Raw data on the movement of global vessels that transport commodities is abundant and readily available. Fuel retailers can better ­understand demand patterns by installing ­micro­sensors at fuel pumps. Traders ­focused on crops can gain real-time data on crop maturation through smartphone ­videos recorded while driving by the fields.

Commodity traders also now have immediate access to new types of data that can help them understand future supply-­demand dynamics. This includes data mined from social media and online news sources, which make data on market ­sentiment, weather conditions, accidents, and other ­relevant variables available in real time and often in advance of official news releases. Indeed, the principle ­c­hallenge for traders now is not how to retrieve such information but rather how to organize and analyze it. An emerging set of busi­nesses is focused on gathering data from multiple sources, structuring it, and feeding it ­directly to trading systems. ­RavenPack, for example, follows news from ­various sources and organizes it on the basis of impact and novelty; Quandl, a data-­collection service, gathers and organizes data on prices and fundamentals, sparing traders the task of having to extract, transform, and load the data themselves.

The value of this growing abundance of information is being enhanced significantly by learning algorithms. The volume of data is simply too big for human-built analytical models to mine fully and with sufficient speed. Today’s learning systems, in contrast, can quickly crunch the numbers and readily identify patterns invisible to human ­traders. Machine learning, for example, can classify data, cluster principal components, and create decision-making frameworks based on data and algorithms ­independently, without need of human guidance.

Comércio

The second stage of commodity trading’s value chain is divided into three parts: ­position generation, portfolio management, and execution.

Position Generation. This is the process of deciding which positions to take—what to buy and sell, with related decisions on quality, quantity, location, and timing. Digital technologies are transforming position generation by allowing automated decision making that is faster and more precise, and by driving down costs, including financing costs. Consider gas storage, for example. Optimizing a gas-storage position against forward prices is time-­consuming and laborious work because a company must constantly readjust its position as the market moves. Indeed, large players often deploy teams of analysts to optimize their storage strategy, yet the companies still move relatively slowly and inefficiently relative to the market. Today’s digital technologies significantly improve both the speed and the economics of executing this strategy. At BCG, for example, we built a pilot optimization algorithm that allowed hourly, rather than daily, reoptimization and automatically readjusted itself in response to the market’s rapidly changing dynamics. The result was an increase in storage value of 8% to 10%. Real-time optimization could yield even greater benefits. Further, the automation of data and information feeds would allow companies to manage such a model with a relatively small support team.

Vemos oportunidades semelhantes na produção física. As refinarias de petróleo, por exemplo, geralmente implantam um modelo de otimização que ajuda a calcular as melhores entradas de diferentes graus de brilho, dada a demanda existente e a configuração da refinaria. As refinarias geralmente executam esse modelo semanalmente ou diariamente; Alguns jogadores o administram algumas vezes por dia. Dada a rápida evolução das tecnologias digitais, podemos imaginar facilmente sistemas inteligentes que permitem a análise em tempo real das variáveis ​​técnicas e comerciais, fornecendo aos gerentes uma compreensão minuciosa a minuto da melhor mistura bruta e saída do produto. (Fazer isso funcionar, no entanto, exigiria alterar o modelo operacional da equipe de suprimentos de refinaria e garantir uma integração muito rígida dos fluxos de dados.) Um exemplo atual de tais recursos no gerenciamento de produção física pode ser encontrado na geração de energia, quando os dados sobre oferta e demanda podem ser alimentados automaticamente a algoritmos que executam negociações para explorar os imbalâncias.

Gerenciamento de portfólio. Os sistemas tradicionais de gerenciamento de portfólio normalmente usam premissas de distribuição de retorno simplificadas para calcular os resultados - mas isso resulta em conclusões excessivamente simplificadas. Os sistemas de negociação inteligente integrados, por outro lado, permitem que os comerciantes realizem avaliações de risco muito mais realistas e dependentes de caminho, bem como análises de cenários sofisticados. A realização de avaliações instantâneas e abrangentes do portfólio requer capacidade computacional maciça, que agora está disponível em provedores de nuvem e, portanto, está disponível para todas as empresas. Além disso, a capacidade de computação está sendo negociada hoje, adicionando outra dimensão às possibilidades de otimização de negociação e ilustrando a tendência geral nos mercados em direção à comoditização. Managing a portfolio involves combining, prioritizing, and sanctioning trading opportunities on the basis of an assessment of the portfolio’s value and risk. Traditional portfolio management systems typically use streamlined return distribution assumptions to calculate outcomes—but this results in overly simplified conclusions. Integrated intelligent trading systems, in contrast, allow traders to perform much more realistic, path-dependent risk assessments as well as sophisticated scenario analyses. Performing such instant and comprehensive portfolio assessments requires massive computational capacity, which is now available from cloud providers and is thus available to all companies. What’s more, computing capacity itself is being traded today, adding another dimension to the trading-optimization possibilities and illustrating the general trend in markets toward commoditization.

Execução. Tradicionalmente, as transações das empresas comerciais seriam executadas por corretores que trabalhavam em bancos. Cada vez mais, no entanto, as máquinas são capazes de executar a execução diretamente no mercado e fazê -lo mais rápido, mais barato e com mais precisão. Eles também estão ganhando a capacidade de fazê -lo de uma maneira mais sofisticada que impede outros jogadores de detectar as intenções da empresa. No passado, a empresa pediria ao seu corretor que executasse o hedge; O corretor dividiria a cobertura em blocos para suavizar o impacto no mercado e começar a executar a hedge ao longo do dia de negociação. Hoje, no entanto, os programas baseados em algoritmos sentiriam essa estratégia e o comércio contra ela. Como resultado, qualquer liquidez evidente no mercado em um determinado momento pode não estar lá quando uma empresa deseja executar a estratégia-o spread de oferta-venda e o livro de pedidos são muito dinâmicos. Esses sistemas identificam o melhor tamanho de bloco, que geralmente é randomizado, e o tempo ideal para colocar a cobertura (por exemplo, quando há uma grande quantidade de liquidez no mercado). Esses sistemas também podem reagir ao comportamento de outros participantes do mercado e fazê -lo dinamicamente e quase em tempo real. Um comerciante humano não poderia replicar esse processo, o que explica por que a tecnologia já está em amplo uso em áreas como câmbio e negociação de ações. O uso dessa tecnologia está crescendo particularmente rapidamente nos mercados de energia europeus, onde os algoritmos estão assumindo atividades de execução relacionadas ao comércio de curto prazo. Os comerciantes que começaram a explorar as possibilidades aqui ficaram impressionados com os resultados. Para capitalizar totalmente o potencial que esses sistemas oferecem, no entanto, os comerciantes precisarão fazer alterações em suas políticas de governança, que apresentarão um grande desafio aos titulares. A adoção de tecnologias digitais já está generalizada aqui, impulsionada em grande parte pelo desejo das empresas de minimizar os custos, substituindo o trabalho manual pelo processamento direto. Algumas empresas comerciais também digitalizaram seus processos de back-office para melhorar a qualidade de seus relatórios pós-série. A regulamentação também pode gerar oportunidades. Os comerciantes que podem analisar cuidadosamente os repositórios comerciais, por exemplo, podem obter uma melhor compreensão da dinâmica do mercado. Está mudando a maneira como a informação flui através dela e, essencialmente, desconstruindo a cadeia no processo. Essa progressão varia em velocidade e grau por mercado, no entanto. Como os gerentes podem determinar onde está seu mercado? No entanto, nem toda classe de ativos será igualmente exposta às forças digitais. Os participantes do mercado podem encontrar pistas valiosas sobre as perspectivas de sua classe de ativos examinando sinais de produto ou serviço e sinais de mercado. This is the process of selling or buying commodities, whether physical or financial. Traditionally, trading companies’ transactions would be executed by brokers who worked in banks. Increasingly, how­ever, machines are able to perform execution directly in the marketplace and to do so faster, more cheaply, and more accu­rately. They are also gaining the ability to do so in a more sophisticated manner that prevents other players from detecting the company’s intentions.

Consider, for example, an oil producer looking to hedge its risk exposure to 100,000 barrels of Brent crude oil. In the past, the company would ask its broker to execute the hedge; the broker would divide the hedge into blocks to smoothen the impact on the market and start to execute the hedge over the course of the trading day. Today, however, algorithm-based programs would sense this strategy and trade against it. As a result, any liquidity evident in the market at a given point in time might not be there when a company wants to execute the strategy—the bid-ask spread and the order book are very dynamic.

Intelligent trading systems can make a company’s execution less obvious and ­optimize the trades so that they have only a minimal effect on the market price. Such systems identify the best block size, which is often randomized, and the ideal timing for placing the hedge (for instance, when there is a high amount of liquidity in the market). These systems can also react to the behavior of other market players and do so dynamically and in near real time. A human trader could not possibly replicate this process, which explains why the ­technology is already in widespread use in such areas as foreign exchange and ­equities trading. Use of this technology is ­growing particularly rapidly in European power markets, where algorithms are ­taking over execution activities related to short-term trading. Traders that have ­begun to explore the possibilities here have been impressed by the results. To ­capitalize fully on the potential these ­systems afford, however, traders will need to make changes to their governance ­policies, which will present a large challenge to ­incumbents.

Posttrade

This is the tail end of the trading process, where the deal is settled, documented, and reported. Adoption of digital technologies is already widespread here, driven largely by trading companies’ desire to minimize costs by replacing manual work with straight-through processing. Some trading firms have also digitalized their back-office processes to improve the quality of their posttrade reports.

The use of digital technologies is also often a practical response to the increased reporting requirements driven by regulation, such as the Dodd-Frank Act, the European Market Infrastructure Regulation, and the Regulation on Wholesale Energy Market Integrity and Transparency. Regulation can also spawn opportunities. Traders that can carefully analyze trade repositories, for example, could achieve a better understanding of market dynamics.

In sum, digitalization is affecting all parts of the commodity-trading value chain. It is changing the way that information flows through it and, essentially, deconstructing the chain in the process. This progression will vary in speed and degree by market, however. How can managers determine where their market stands?

Change Signals

Digitalization of commodity trading, and the associated deconstruction of the trading value chain, can happen across all commodity asset classes, from milk to iron ore. Not every asset class will be equally exposed to digital forces, however. Market players can find valuable clues regarding the prospects for their asset class by examining product or service signals and market signals.

Sinais de produto ou serviço. Quanto mais fácil um produto ou serviço é avaliar, mais maduro o mercado é para interrupção pelas forças digitais. O primeiro sinal a procurar é se o produto ou serviço está se tornando cada vez mais homogêneo, devido à maior aplicação de padrões ou à assimilação mais difundida da tecnologia. O aumento da homogeneidade como resultado dessas forças significa que as máquinas desempenharão um papel maior no estabelecimento do valor para um produto ou serviço específico, abrindo a porta para a execução digital dessa parte da cadeia de valor. Um exemplo dessa progressão pode ser encontrado no transporte global. Como a indústria aumentou o uso de recipientes padronizados, a capacidade tornou -se cada vez mais adequada para a negociação em um mercado digital (embora barreiras como duopólios de rotas locais possam mitigar esse potencial). O petróleo bruto, por exemplo, possui centenas de qualidades e calcular o valor de cada um pode ser difícil. À medida que os comerciantes e refinarias de petróleo melhoram seus recursos do sistema, e os produtores de petróleo citam especificações de petróleo com mais precisão, os participantes do mercado podem executar cálculos do Netback instantaneamente e com mais precisão o valor de cada remessa de cada refinaria. Isso permite arbitragem rápida e automática entre diferentes tipos de petróleo. Isso, por sua vez, torna o petróleo bruto cada vez mais suscetível à interrupção digital, potencialmente aglomerando as grandes equipes de comerciantes e especialistas petroquímicos que atualmente realizam análises técnicas em cada remessa. O mercado de minério de ferro, embora menos maduro, está indo na mesma direção, porque os fornecedores de dados de mercado começaram a oferecer análises do Netback para diferentes qualidades de minério e aço, um primeiro passo em direção à transparência avançada. As empresas devem analisar elementos como as capacidades de novos participantes, o volume de dados disponíveis para apoiar a tomada de decisões e o potencial de negociação baseada em troca. A crescente presença de fundos de hedge em muitas classes de commodities de energia e minerais é um exemplo de um jogador não tradicional que implanta uma mistura de capacidades que diferem daquelas dos comerciantes comerciais tradicionais, sinalizando que a receita vencedora nesses mercados pode estar mudando. Para este segundo sinal de mercado, as empresas devem estar analisando se novas fontes abrangentes de dados estão se tornando disponíveis ou se é possível vincular conjuntos de dados separados. Embora o surgimento de grandes fontes de dados brutos não leve, por si só, à digitalização da negociação, ela fornece combustível às forças digitais, assumindo que elas já estão em jogo na classe de ativos. O crescimento no volume de negociação conduzido por meio de trocas, ou maior investimento em infraestrutura digital, geralmente indica o potencial de um aumento significativo no papel que as forças digitais desempenharão em um segmento específico. A negociação eletrônica, de alto volume e vendimento sem receita pode levar as mercadorias a uma digitalização expandida da mesma maneira que a negociação baseada em troca, porque traz negociações mais rápidas, maior transparência e acesso mais amplo aos participantes do mercado. Em última análise, isso pode significar a diferença entre uma transição bem -sucedida para esse novo ambiente competitivo ou uma espiral descendente para a obsolescência. These are changes in a product or service itself or in the ability to assess it. The easier a product or service is to assess, the more ripe the market is for disruption by digital forces. The first signal to look for is whether the product or service is becoming increasingly homogeneous, either because of greater enforcement of standards or more widespread assimilation of technology. Increased homogeneity as a result of these forces means that machines will play a greater role in establishing the value for a particular product or service, opening the door to digital execution of that part of the value chain. An example of this progression can be found in global transportation. As the industry has increased its use of standardized containers, capacity has become increasingly well suited to trading in a digital marketplace (though barriers such as local route duopolies might mitigate this potential).

Increasing transparency of heterogeneous characteristics—such as product quality and specifications, time and duration, and location—can also promote the digitalization of products and services because it facilitates the valuation of those characteristics. Crude oil, for example, has hundreds of qualities, and calculating the value of each can be difficult. As oil merchants and refineries improve their system capabilities, and oil producers quote crude specifications more precisely, market participants can perform netback calculations instantly and more accurately assess the value of each shipment from each refinery. This allows for rapid and automatic arbitrage among different types of crude. That, in turn, makes crude oil increasingly susceptible to digital disruption, potentially crowding out the large teams of traders and petro­chemical specialists who currently perform technical analysis on each shipment. The market for iron ore, while less mature, is heading in the same direction because market data suppliers have started offering netback analyses for different qualities of ore and steel, a first step ­toward advanced transparency.

Market Signals. These are changes in the way market participants interact when buying and selling goods, including changes in who those participants are. Companies should be looking at elements such as the capabilities of new entrants, the volume of data available to support ­decision making, and the potential for exchange-based trading.

For instance, the advent of new—typically niche—market entrants that trade in data or analytics, or conduct activities on the basis of digital capabilities, could be indications of a fundamental change in the value chain. The growing presence of hedge funds in many energy and minerals commodity classes is an example of a nontraditional player deploying a mix of capabilities that differ from those of traditional merchant traders, signaling that the winning recipe in these markets could be changing.

In many asset classes, new sources of data are changing the dynamics of supply and demand that inform decision making. For this second market signal, companies should be looking at whether new, comprehensive sources of data are becoming available or whether it is possible to link separate data sets. While the emergence of large, raw data sources does not, in itself, lead to the digitalization of trading, it does provide fuel to digital forces, assuming that they are already at play in the asset class.

The third important market signal to look for is changes in the nature of transactions themselves, including differences in the prevalence and nature of exchange-based buying and selling. Growth in the volume of trading conducted through exchanges, or greater investment in digital infrastructure, often indicates the potential for a significant increase in the role that digital forces will play in a particular segment. Electronic, high-volume, over-the-counter trading may push commodities toward expanded digitalization in the same way that exchange-based trading does, because it brings faster-paced trading, greater transparency, and wider ­access to market participants.

Knowing how to discern the relevant ­product or service and market signals can help trading companies recognize and ­adjust to digital disruption, whether active or pending, of the value chain. This can ­ultimately mean the difference between a successful transition into this new competitive environment or a downward spiral toward obsolescence.

---

À medida que as forças digitais empurram os mercados de commodities para a hiperliquidez, eles estão criando mudanças profundas e duradouras em toda a cadeia de valor de negociação de commodities. No próximo artigo desta série, discutiremos as implicações estratégicas dessas mudanças, incluindo as ameaças e as oportunidades, para os titulares. Cinturão Antti