Ein agentenbasiertes Intraday-Marktmodell mit XGBoost kalibrieren
Zusammenfassung
Der Artikel stellt XGB-Chiarella vor, ein Verfahren zur Kalibrierung eines erweiterten agentenbasierten Chiarella-Marktmodells, das Intraday-Kursverläufe reproduziert. Der simulierte Markt umfasst Fundamental-, Momentum- und Noise-Trader. Statt Modellparameter mit dem ursprünglichen Expectation-Maximisation-Verfahren zu schätzen, verwendet die Methode ein XGBoost-Surrogat als effizienten Ersatz für die agentenbasierte Simulation.
Die Autoren berichten, dass das Surrogat die Simulation approximiert und seine Kalibrierung historische stilisierte Fakten besser abbildet als das ursprüngliche Parameterschätzverfahren. Sie berichten außerdem, realistische Kursreihen für Aktien aus drei Börsen erzeugt zu haben. Auf der untersuchten Minutenskala reicht dafür ein Agent je Händlerkategorie aus. Diese Ergebnisse beziehen sich auf das beschriebene Modell und seine Kalibrierung. Die Zusammenfassung enthält weder detaillierte Validierungskennzahlen noch Belege dafür, dass die erzeugten Kurse zukünftige Renditen prognostizieren. Laut den Autoren kann der Rahmen Fachleuten helfen, Preisbildung und Risikomanagement zu untersuchen.
Kernaussagen
- Das erweiterte Chiarella-Modell bildet Fundamental-, Momentum- und Noise-Trader ab.
- Ein XGBoost-Surrogat dient zur Kalibrierung der agentenbasierten Simulation.
- Laut Paper stimmt das Modell besser mit historischen stilisierten Fakten überein als der ursprüngliche Schätzansatz.
- Das Modell wird für Aktien aus drei Börsen auf einer Minutenskala angewendet.
- Realistische Kursverläufe belegen für sich genommen keinen Prognosewert für den Handel.
Schlagwörter
Volltext
# 2208.14207 # Understanding intra-day price formation process by agent-based financial market simulation: calibrating the extended chiarella model This article presents XGB-Chiarella, a powerful new approach for deploying agent-based models to generate realistic intra-day artificial financial price data. This approach is based on agent-based models, calibrated by XGBoost machine learning surrogate. Following the Extended Chiarella model, three types of trading agents are introduced in this agent-based model: fundamental traders, momentum traders, and noise traders. In particular, XGB-Chiarella focuses on configuring the simulation to accurately reflect real market behaviours. Instead of using the original Expectation-Maximisation algorithm for parameter estimation, the agent-based Extended Chiarella model is calibrated using XGBoost machine learning surrogate. It is shown that the machine learning surrogate learned in the proposed method is an accurate proxy of the true agent-based market simulation. The proposed calibration method is superior to the original Expectation-Maximisation parameter estimation in terms of the distance between historical and simulated stylised facts. With the same underlying model, the proposed methodology is capable of generating realistic price time series in various stocks listed at three different exchanges, which indicates the universality of intra-day price formation process. For the time scale (minutes) chosen in this paper, one agent per category is shown to be sufficient to capture the intra-day price formation process. The proposed XGB-Chiarella approach provides insights that the price formation process is comprised of the interactions between momentum traders, fundamental traders, and noise traders. It can also be used to enhance risk management by practitioners.
Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0
Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.