Fairnessorientiertes Multi-Agent-Reinforcement-Learning für die Aktienausführung

Zusammenfassung

Das Paper untersucht, wie ein Trading Desk Orders für mehrere Kunden ausführen sollte, die dieselben Vermögenswerte handeln möchten, sich aber hinsichtlich Ordergröße, Anlagehorizont und Risikopräferenzen unterscheiden. Frühere Ausführungen können Kurse bewegen. Eine Optimierung des gesamten Trading-Ertrags könnte daher Kunden benachteiligen, deren Orders später ausgeführt werden. Das vorgeschlagene Framework nutzt Multi-Agent-Reinforcement-Learning, um Strategien für einzelne Kunden zu entwickeln und zugleich die Ergebnisse der Gruppe auszugleichen.

Ein verallgemeinerter Gini-Index aggregiert die Kundenerträge und ermöglicht es, das Fairnessziel neben der Ertragsoptimierung zu steuern. Die Autoren berichten empirische Belege dafür, dass der Ansatz die Fairness verbessert und zugleich die Ertragsoptimierung aufrechterhält. Außerdem argumentieren sie, dass Reinforcement-Learning Strategien an veränderte Marktbedingungen anpassen kann. Die bereitgestellte Beschreibung nennt weder Datensatz und Versuchsaufbau noch numerische Ergebnisse oder Vergleichsdetails. Daher lässt sich anhand dieses Textes allein weder die Stärke noch die Übertragbarkeit des empirischen Anspruchs beurteilen.

Kernaussagen

• Bei der Ausführung von Kundenorders kann ein Konflikt zwischen der Maximierung des Gesamtertrags und fairer Behandlung entstehen.
• Frühere Orders können Kurse beeinflussen und die Ausführungskosten späterer Orders erhöhen.
• Das Framework nutzt Multi-Agent-Reinforcement-Learning, um kundenspezifische Ausführungsstrategien zu erlernen.
• Ein verallgemeinerter Gini-Index berücksichtigt Verteilungsgerechtigkeit bei der Aggregation der Erträge.
• Das Dokument beansprucht mehr Fairness bei gleichbleibender Ertragsoptimierung, liefert aber wenige Details zur Bewertung der Belege.

Schlagwörter

# Fairness in Multi-agent Reinforcement Learning for Stock Trading


# Fairness in Multi-agent Reinforcement Learning for Stock Trading









Unfair stock trading strategies have been shown to be one of the most negative perceptions that customers can have concerning trading and may result in long-term losses for a company. Investment banks usually place trading orders for multiple clients with the same target assets but different order sizes and diverse requirements such as time frame and risk aversion level, thereby total earning and individual earning cannot be optimized at the same time. Orders executed earlier would affect the market price level, so late execution usually means additional implementation cost. In this paper, we propose a novel scheme that utilizes multi-agent reinforcement learning systems to derive stock trading strategies for all clients which keep a balance between revenue and fairness. First, we demonstrate that Reinforcement learning (RL) is able to learn from experience and adapt the trading strategies to the complex market environment. Secondly, we show that the Multi-agent RL system allows developing trading strategies for all clients individually, thus optimizing individual revenue. Thirdly, we use the Generalized Gini Index (GGI) aggregation function to control the fairness level of the revenue across all clients. Lastly, we empirically demonstrate the superiority of the novel scheme in improving fairness meanwhile maintaining optimization of revenue.

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.