CGANs für reaktionsfähige synthetische Marktsimulationen

Zusammenfassung

Die Studie befasst sich mit einer Einschränkung historischer Replay-Backtests: Sie modellieren nicht, wie der Markt auf die Aktionen einer Strategie reagieren könnte. Multi-Agenten-Simulationen können Interaktionen zwischen Händlern mit unterschiedlichen Strategien darstellen und ermöglichen es, experimentelle Handelsagenten in einem simulierten Markt zu testen. Ein praktisches Hindernis ist, dass detaillierte historische Daten zu einzelnen Agenten meist proprietär oder nicht verfügbar sind, was eine realistische Kalibrierung erschwert.

Der vorgeschlagene Ansatz trainiert Conditional Generative Adversarial Networks anhand aggregierter historischer Daten, um einen synthetischen „Welt“-Agenten zu erzeugen, der als Reaktion auf einen experimentellen Agenten Aufträge generiert. Der Generator ist in den Finanzmarktsimulator ABIDES integriert. Die Autoren berichten von umfangreichen Simulationen, in denen ihr Ansatz frühere Arbeiten bei stilisierten Marktmerkmalen übertrifft, die die Reaktionsfähigkeit und den Realismus des Marktes erfassen sollen. Die Beschreibung nennt weder die konkreten Merkmale noch Datensätze, Märkte oder Leistungskennzahlen. Simulationsergebnisse allein belegen zudem nicht, dass eine generierte Umgebung das Verhalten realer Märkte vorhersagt.

Kernaussagen

• Historische Replay-Backtests modellieren nicht, wie der Markt auf die Aufträge einer Strategie reagiert.
• Multi-Agenten-Simulationen können Interaktionen zwischen Händlern mit unterschiedlichen Strategien darstellen.
• Die Methode verwendet bedingte generative adversarielle Netzwerke, die mit aggregierten historischen Daten trainiert werden.
• Ein synthetischer Welt-Agent erzeugt als Reaktion auf einen experimentellen Handelsagenten Aufträge.
• Das System ist in ABIDES integriert und soll stilisierte Marktmerkmale mit Bezug zum Realismus verbessern.

Schlagwörter

# Towards Realistic Market Simulations: a Generative Adversarial Networks Approach


# Towards Realistic Market Simulations: a Generative Adversarial Networks Approach









Simulated environments are increasingly used by trading firms and investment banks to evaluate trading strategies before approaching real markets. Backtesting, a widely used approach, consists of simulating experimental strategies while replaying historical market scenarios. Unfortunately, this approach does not capture the market response to the experimental agents' actions. In contrast, multi-agent simulation presents a natural bottom-up approach to emulating agent interaction in financial markets. It allows to set up pools of traders with diverse strategies to mimic the financial market trader population, and test the performance of new experimental strategies. Since individual agent-level historical data is typically proprietary and not available for public use, it is difficult to calibrate multiple market agents to obtain the realism required for testing trading strategies. To addresses this challenge we propose a synthetic market generator based on Conditional Generative Adversarial Networks (CGANs) trained on real aggregate-level historical data. A CGAN-based "world" agent can generate meaningful orders in response to an experimental agent. We integrate our synthetic market generator into ABIDES, an open source simulator of financial markets. By means of extensive simulations we show that our proposal outperforms previous work in terms of stylized facts reflecting market responsiveness and realism.

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.