Phasenübergänge und Preiswirkung in Limit-Orderbüchern mit Reinforcement Learning

Zusammenfassung

Diese Studie modelliert ein Limit-Orderbuch, das ausschließlich mit autonomen Reinforcement-Learning-Händlern besetzt ist. Mithilfe einer mikroskopischen Matching-Engine untersucht sie, wie Interaktionen der Agenten den aggregierten Orderflow und die Preiswirkung prägen. Das Modell identifiziert Grenzen zwischen geordneter Preisfindung und stark volatilen Kaskadenzuständen, die mit der Zahl der Agenten und der beobachtbaren Markttiefe zusammenhängen.

Die Studie untersucht auch, wie sich die Preiswirkung verändert, wenn diese Agenten Liquidität bereitstellen. Das berichtete Verhalten weicht vom klassischen Wurzelzusammenhang ab und fällt bei nichtlinearer Rückkopplung in dissipative, ausgewogene und nicht dissipative Regime. Diese Ergebnisse bieten einen Rahmen, um zu untersuchen, wie adaptive Strategien Marktstabilität und Ausführungsbedingungen verändern können. Das Dokument beschreibt Modellergebnisse, enthält jedoch keine empirische Validierung anhand realer Märkte, Parameterschätzungen oder praktische Hinweise dazu, wie sich die Regime im Live-Handel erkennen lassen.

Kernaussagen

• Das Modell verwendet ein Limit-Orderbuch, das ausschließlich mit Händlern auf Basis von Reinforcement Learning besetzt ist.
• Die Zahl der Agenten und die Markttiefe hängen mit Übergängen zwischen geordnetem Handel und volatilen Kaskaden zusammen.
• Die Preiswirkung weicht im simulierten Umfeld vom klassischen Zusammenhang mit der Quadratwurzel der Ordergröße ab.
• Nichtlineare Rückkopplung führt zu dissipativen, ausgewogenen und nicht dissipativen Preiswirkungsregimen.
• Das Dokument berichtet modellbasierte Befunde, beschreibt aber keine Validierung anhand von Live-Marktdaten.

Schlagwörter

# Agentic Limit Order Books: Phase Transitions and Market Impact


# Agentic Limit Order Books: Phase Transitions and Market Impact









We investigate the systemic macroscopic dynamics emerging from Limit Order Books (LOBs) populated exclusively by autonomous reinforcement-learning agentic traders. By formalizing agent interactions within a microscopic order-matching engine, we examine two fundamental quantitative phenomena: equilibrium phase transitions in order flow regime shifts, and the structural dynamics of market impact. We show that agentic LOBs exhibit distinct phase boundaries separating orderly price discovery from hyper-volatile cascade states, governed by critical thresholds in the number of agents and observable market depth. Furthermore, we demonstrate that market impact under agentic liquidity provision deviates from classical square-root dynamics, exhibiting distinct dissipative, balanced, and non-dissipative regimes under non-linear feedback loops.

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.