Participantes y centros de negociación.

Una orden atraviesa muchas manos

Cuando un minorista pulsa «comprar» en la aplicación de su bróker, la orden no va directamente «a la bolsa». Recorre una cadena de intermediarios, y cada uno añade una función, un riesgo y un coste. Conocer la cadena explica muchas de las cosas raras que aparecen en los datos: operaciones a precios de medio céntimo, volúmenes que no están en el libro, precios que llegan desordenados.

flowchart TB
  I[Inversor] --> B[Bróker]
  B --> S[Router SOR]
  B --> SI[Internalizador]
  S --> R[Bolsa]
  S --> M[MTF]
  S --> O[Centro oscuro]
  R --> C[Cámara ECC]
  M --> C
  O --> C
  C --> D[Depositario DCV]

• Inversor. Decide qué comprar o vender. Puede ser una persona, un fondo o un programa.
• Bróker. La entidad autorizada que recibe la orden, comprueba que hay saldo o garantías y la envía a ejecutar. En la UE es una empresa de servicios de inversión o un banco; tiene la obligación de buscar la mejor ejecución para su cliente (precio, coste, rapidez, probabilidad de ejecución).
• Router (SOR, smart order router). El programa del bróker que decide a qué centro mandar la orden, o cómo repartirla entre varios, según dónde haya mejor precio y liquidez en ese momento.
• Centros de ejecución. Los sitios donde la orden se cruza con la de otro: bolsas, MTF, centros oscuros (todos multilaterales) o un internalizador (bilateral). La siguiente sección los distingue.
• Cámara de compensación (ECC, entidad de contrapartida central). Tras la operación se interpone entre comprador y vendedor: pasa a ser comprador de cada vendedor y vendedor de cada comprador. Si una parte quiebra, la cámara cumple. Para cubrir ese riesgo exige garantías (márgenes) a sus miembros.
• Depositario central (DCV). Lleva el registro de quién tiene cada título y hace la entrega contra el pago: la liquidación, uno o dos días hábiles después (lección 1.1.5).

Quién está al otro lado

Toda compra tiene una venta enfrente. Saber quién suele estar al otro lado ayuda a entender por qué un mercado se comporta como se comporta. La figura de la cabecera sitúa a los participantes en dos ejes logarítmicos: cuánto tiempo mantienen una posición y de qué tamaño son sus órdenes. Son órdenes de magnitud, no mediciones, pero las distancias son reales: entre un creador de mercado y un fondo de pensiones hay doce órdenes de magnitud de horizonte.

Dos consecuencias para un sistema de trading. La primera: casi toda la liquidez inmediata la ponen creadores de mercado que no quieren mantener posiciones; si su riesgo sube (volatilidad, noticias), retiran órdenes y la horquilla se abre (lección 1.1.3). La segunda: un sistema de baja frecuencia compite en su horizonte con gestoras y CTA, no con HFT. La velocidad no es su ventaja ni su problema; sí lo son los costes y el sesgo de anticipación.

Dónde se negocia: bolsas, MTF, oscuros e internalizadores

La normativa europea (MiFID II y MiFIR) reconoce tres tipos de centro de negociación multilateral, donde muchos compradores y vendedores se cruzan entre sí con reglas no discrecionales, y una figura bilateral, el internalizador. Fuera de todos ellos queda el OTC.

En Europa, un «centro oscuro» no es un tipo jurídico distinto: es un mercado regulado o un MTF que funciona con una exención de transparencia previa, por ejemplo cruzar al precio de referencia (el punto medio de otro centro) o cruzar órdenes de gran tamaño. Como esas operaciones no contribuyen a formar el precio, la normativa limita cuánto volumen puede negociarse así.

En EE. UU. los nombres cambian (bolsas registradas, ATS para los centros oscuros, wholesalers que internalizan las órdenes minoristas), pero la estructura es la misma: libros visibles fragmentados en muchas bolsas y una parte grande del volumen fuera de ellas.

Una sesión de NOVA vista por centros

Los datos de esta lección son una sesión completa de NOVA, una acción ficticia que cotiza en EE. UU., el 2 de junio de 2025: 50.946 operaciones con su precio, tamaño, lado agresor y centro de ejecución. Salen de un libro simulado orden a orden, así que operaciones, cotizaciones y libro son coherentes entre sí. Son datos sintéticos, pero siguen las convenciones reales: tick de un céntimo, sesión de 9:30 a 16:00 de Nueva York (13:30 a 20:00 UTC) y subastas de apertura y cierre.

import pandas as pd

op = pd.read_parquet("nova_operaciones.parquet")
print(len(op), "operaciones")
op.head(4)

50946 operaciones
                                ts  precio  tamano agresor     centro         condicion
0        2025-06-02 13:30:00+00:00   53.35   33900     NaN  PRINCIPAL  subasta_apertura
1 2025-06-02 13:30:00.301051+00:00   53.34     100   venta  PRINCIPAL           regular
2 2025-06-02 13:30:00.301052+00:00   53.34     100   venta  PRINCIPAL           regular
3 2025-06-02 13:30:00.407366+00:00   53.34     159   venta  PRINCIPAL           regular

Cada fila es una operación. agresor dice qué lado tomó la iniciativa: la orden que llegó y se ejecutó contra una que ya esperaba en el libro. En la subasta de apertura está vacío, porque en una subasta no hay agresor (lección 1.1.2). Agrupando por centro:

por_centro = op.groupby("centro").agg(
    operaciones=("tamano", "size"),
    volumen=("tamano", "sum"),
    tamano_medio=("tamano", "mean"),
)
total = por_centro["volumen"].sum()
por_centro["cuota_pct"] = 100 * por_centro["volumen"] / total
por_centro.sort_values("volumen", ascending=False).round(1)

                operaciones  volumen  tamano_medio  cuota_pct
centro
PRINCIPAL             25776  3564476         138.3       40.1
OSCURO                 4386  2358700         537.8       26.5
INTERNALIZADOR         3914  1243861         317.8       14.0
MTF_A                  9640   986282         102.3       11.1
MTF_B                  7230   735395         101.7        8.3

El centro principal, el que tiene el libro de referencia y las subastas, reúne el 40 % del volumen. Los dos MTF suman casi otro 20 %. Y un cuarto del volumen se cruza en un centro oscuro: nadie lo vio en un libro antes de que ocurriera. Las cifras de NOVA son de una simulación, pero el patrón —ningún centro concentra todo el volumen— es el de cualquier acción líquida en EE. UU. o en Europa.

El tamaño medio cuenta la otra mitad de la historia:

En los centros con libro, una operación típica es de unas 100 acciones: órdenes que se ejecutan contra lo que hay en el primer nivel, muchas de ellas trozos de una orden mayor partida por un algoritmo (lección 1.1.4). En el centro oscuro, el tamaño medio es cinco veces mayor. La razón es económica: una orden grande que se enseña en un libro visible mueve el precio antes de ejecutarse, porque los demás se apartan o se adelantan. Cruzarla a ciegas al punto medio lo evita.

La columna condicion separa las operaciones especiales:

op.pivot_table(index="centro", columns="condicion",
               values="tamano", aggfunc="sum", fill_value=0)

condicion       bloque  regular  subasta_apertura  subasta_cierre
centro
INTERNALIZADOR       0  1243861                 0               0
MTF_A                0   986282                 0               0
MTF_B                0   735395                 0               0
OSCURO          324900  2033800                 0               0
PRINCIPAL            0  2645076             33900          885500

Las subastas solo existen en el centro principal: la de apertura cruza poco volumen y la de cierre, casi 900.000 acciones en un único precio, porque los fondos indexados y muchas gestoras ejecutan al cierre, que es el precio con el que se valoran (lección 1.1.2). Los bloques, todos en el oscuro, son pocas operaciones enormes:

bloques = op[op["condicion"] == "bloque"]
bloques[["ts", "precio", "tamano", "centro"]]

                                    ts  precio  tamano  centro
5478  2025-06-02 13:50:31.017740+00:00  53.375   64100  OSCURO
24035 2025-06-02 16:22:35.166309+00:00  53.795   46100  OSCURO
33823 2025-06-02 17:54:43.496329+00:00  53.255   63000  OSCURO
37493 2025-06-02 18:28:54.725977+00:00  53.195   36800  OSCURO
41959 2025-06-02 19:05:40.906104+00:00  52.655   68200  OSCURO
47010 2025-06-02 19:40:27.200952+00:00  52.570   46700  OSCURO

Seis operaciones que suman 324.900 acciones, el 3,7 % del volumen del día. Una regla que filtre «volumen anómalo» sin mirar la condición tomaría estos bloques por señales; no lo son: son institucionales moviendo posiciones de forma negociada.

Lo que el centro oscuro no enseña

El centro oscuro no tiene libro visible, pero sí una regla de precio: cruza al punto medio de la mejor compra y la mejor venta del libro visible. Comprobarlo exige unir cada operación con la cotización vigente en ese instante. Las cotizaciones (nova_cotizaciones.parquet) son el mejor bid y el mejor ask del libro visible, una fila cada vez que cambian:

cot = pd.read_parquet("nova_cotizaciones.parquet")
print(len(cot), "cambios de cotización")

# la cotización vigente es la última ANTERIOR a la operación
con_cot = pd.merge_asof(op, cot, on="ts", allow_exact_matches=False)
con_cot["medio"] = (con_cot["bid"] + con_cot["ask"]) / 2
con_cot.loc[1:3, ["ts", "precio", "agresor", "centro", "bid", "ask"]]

129247 cambios de cotización
                                ts  precio agresor     centro    bid    ask
1 2025-06-02 13:30:00.301051+00:00   53.34   venta  PRINCIPAL  53.34  53.36
2 2025-06-02 13:30:00.301052+00:00   53.34   venta  PRINCIPAL  53.34  53.36
3 2025-06-02 13:30:00.407366+00:00   53.34   venta  PRINCIPAL  53.34  53.36

merge_asof es un join por cercanía: para cada operación busca la última cotización con marca de tiempo anterior. El detalle allow_exact_matches=False importa. Cuando una orden agresiva barre un nivel del libro, la cotización cambia en el mismo microsegundo que la operación. Si se permite la coincidencia exacta, esa operación se une con la cotización que ella misma provocó: información del instante siguiente. Es el sesgo de anticipación de la lección 0.1.1, ahora a escala de microsegundos:

def ejecuta_al_mejor_precio(df):
    con_libro = df[df["centro"].isin(["PRINCIPAL", "MTF_A", "MTF_B"])
                   & (df["condicion"] == "regular")]
    lado, precio = con_libro["agresor"], con_libro["precio"]
    compra = (lado == "compra") & (precio >= con_libro["ask"])
    venta = (lado == "venta") & (precio <= con_libro["bid"])
    return (compra | venta).mean()

mal = pd.merge_asof(op, cot, on="ts")  # allow_exact_matches=True
print(f"Con coincidencias exactas: {ejecuta_al_mejor_precio(mal):.2%}")
print(f"Sin ellas: {ejecuta_al_mejor_precio(con_cot):.2%}")

Con coincidencias exactas: 99.91%
Sin ellas: 100.00%

Con la alineación correcta, todas las compras agresivas pagan el ask o más y todas las ventas cobran el bid o menos, que es como funciona un libro. Con la incorrecta, unas decenas de operaciones parecen ejecutarse a un precio mejor que el disponible. En un estudio de costes de ejecución (lección 1.1.5) ese error falsea la horquilla efectiva.

Con la cotización bien alineada, la regla del centro oscuro y la del internalizador se pueden comprobar:

oscuro = con_cot[con_cot["centro"] == "OSCURO"]
al_medio = (oscuro["precio"] - oscuro["medio"]).abs() < 1e-9
print(f"Cruces oscuros al punto medio: {al_medio.mean():.1%}")

inter = con_cot[con_cot["centro"] == "INTERNALIZADOR"]
mejora = (inter["ask"] - inter["precio"]).where(
    inter["agresor"] == "compra", inter["precio"] - inter["bid"])
print(f"Internalizador con mejora de precio: {(mejora > 0).mean():.1%}")
print(f"Mejora media: {100 * mejora.mean():.2f} céntimos por acción")

Cruces oscuros al punto medio: 100.0%
Internalizador con mejora de precio: 44.1%
Mejora media: 0.24 céntimos por acción

Todos los cruces oscuros están al punto medio, como dice su regla. El internalizador ejecuta contra su propia cuenta dentro de la horquilla y, en algo menos de la mitad de las operaciones, mejora el precio del libro visible: es lo que ofrece a cambio de quedarse con el flujo de órdenes. Para el cliente, medio céntimo de mejora en una acción de 53 USD es poco; para el internalizador, multiplicado por millones de órdenes, es un negocio.

flowchart TB
  O[Orden del cliente] --> T{¿Es grande?}
  T -- sí --> OS[Centro oscuro o bloque]
  T -- no --> P{¿Mejora el precio?}
  P -- sí --> IN[Internalizador]
  P -- no --> SOR[Libros visibles]

El diagrama simplifica la decisión del router y del bróker. En la práctica la toman algoritmos con datos de cada centro, y la obligación de mejor ejecución exige poder justificarla.

Compensación y liquidación

La operación es solo el principio. Después vienen dos pasos que el inversor apenas ve y que explican algunos datos:

flowchart LR
  N[Negociación] --> C[Compensación ECC] --> L[Liquidación DCV]

• Compensación. La ECC calcula las posiciones netas de cada miembro (muchas compras y ventas de un mismo valor se anulan) y exige garantías por el riesgo pendiente.
• Liquidación. El DCV entrega los títulos y el efectivo. En EE. UU. ocurre al día hábil siguiente (T+1) desde el 28 de mayo de 2024; en la UE, a los dos días (T+2), con el paso a T+1 previsto para el 11 de octubre de 2027.

Para un sistema de trading, la liquidación importa en dos sitios: el efectivo de una venta no está disponible hasta que se liquida (en una cuenta de contado), y la fecha que fija quién cobra un dividendo es la de liquidación, por eso existe la fecha ex (lecciones 1.1.5 y 1.2.1).

Lo que esto cambia en tus datos

• Precio de cierre ≠ última operación. El cierre oficial es el de la subasta del centro principal; operaciones posteriores en otros centros o fuera de hora no lo cambian.
• El volumen del día está repartido. Un proveedor que solo da el volumen de la bolsa principal (algunos lo hacen) enseña el 40 % del volumen real de NOVA. Antes de comparar volúmenes, hay que saber qué cinta usa cada fuente (lección 1.3.1).
• No todas las operaciones son iguales. Subastas, bloques y operaciones fuera de hora llevan códigos de condición. Un indicador como el VWAP (lección 1.7.1) da resultados distintos con y sin ellos.
• El libro no es toda la liquidez. Lo que se ve en el primer nivel es una parte del interés real; el oscuro y los internalizadores cruzan sin pasar por él.

Ejercicios

1. Calcula la cuota de volumen de cada centro solo con las operaciones de condición regular, sin subastas ni bloques. ¿Qué centro gana peso y por qué?

regular = op[op["condicion"] == "regular"]
por_centro_reg = regular.groupby("centro")["tamano"].sum()
cuota = 100 * por_centro_reg / regular["tamano"].sum()
cuota.sort_values(ascending=False).round(1)

centro
PRINCIPAL         34.6
OSCURO            26.6
INTERNALIZADOR    16.3
MTF_A             12.9
MTF_B              9.6
Name: tamano, dtype: float64

2. Compara la media y la mediana del tamaño de las operaciones de cada centro. ¿Qué te dice la diferencia entre las dos en el centro oscuro?

op.groupby("centro")["tamano"].agg(["mean", "median"]).round(0)

                 mean  median
centro
INTERNALIZADOR  318.0   236.0
MTF_A           102.0   100.0
MTF_B           102.0   100.0
OSCURO          538.0   300.0
PRINCIPAL       138.0   100.0

3. Un sistema compra 2.000 acciones de NOVA con una orden de mercado a las 15:00 de Nueva York. Explica en qué centros podría ejecutarse, quién estaría probablemente al otro lado y qué datos de esta lección usarías para estimar su coste.