Multi-Agenten-Marktsimulatoren auf historische Marktphasen abstimmen

Zusammenfassung

Dieses Paper befasst sich damit, wie Multi-Agenten-Marktsimulatoren so abgestimmt werden können, dass ihre generierten Preis- und Volumenreihen historischen Marktbedingungen ähneln. Solche Simulatoren unterstützen das Testen von Strategien. Die Autoren betonen, dass sowohl gewöhnliche Perioden als auch Stressphasen abgebildet werden müssen, einschließlich der Bedingungen zu Beginn der COVID-Pandemie.

Der vorgeschlagene Ansatz trainiert zunächst einen Diskriminator innerhalb eines Self-Attention-GAN, um echte von simulierten Preis- und Volumenreihen zu unterscheiden. Anschließend wird dieser Diskriminator in einem Optimierungsrahmen verwendet, um einen Simulator mit bekannten Agententypen auf ein ausgewähltes Marktszenario abzustimmen. Das Paper berichtet von Experimenten, die die Wirksamkeit der Methode zeigen. Die vorliegende Beschreibung nennt keine Leistungskennzahlen, Benchmarkvergleiche oder Einzelheiten zum konkreten Simulator und den Daten. Sie belegt daher nicht, wie breit sich das Abstimmungsverfahren auf andere Märkte oder Marktphasen übertragen lässt.

Kernaussagen

• Die Methode stimmt Multi-Agenten-Simulatoren so ab, dass sie historische Marktphasen in Preis- und Volumendaten nachbilden.
• Ein Diskriminator in einem Self-Attention-GAN wird darauf trainiert, beobachtete von simulierten Reihen zu unterscheiden.
• In einem Optimierungsschritt wird der Diskriminator verwendet, um die Parameter eines Simulators mit bekannten Agententypen anzupassen.
• Die Autoren berichten von wirksamen Experimenten, doch das Abstract enthält weder Kennzahlen noch eine Analyse der Übertragbarkeit.

Schlagwörter

# 2108.00664


# Learning who is in the market from time series: market participant discovery through adversarial calibration of multi-agent simulators









In electronic trading markets often only the price or volume time series, that result from interaction of multiple market participants, are directly observable. In order to test trading strategies before deploying them to real-time trading, multi-agent market environments calibrated so that the time series that result from interaction of simulated agents resemble historical are often used. To ensure adequate testing, one must test trading strategies in a variety of market scenarios -- which includes both scenarios that represent ordinary market days as well as stressed markets (most recently observed due to the beginning of COVID pandemic). In this paper, we address the problem of multi-agent simulator parameter calibration to allow simulator capture characteristics of different market regimes. We propose a novel two-step method to train a discriminator that is able to distinguish between "real" and "fake" price and volume time series as a part of GAN with self-attention, and then utilize it within an optimization framework to tune parameters of a simulator model with known agent archetypes to represent a market scenario. We conclude with experimental results that demonstrate effectiveness of our method.

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.