Reinforcement Learning für faire Marktplatzgebühren

Zusammenfassung

Das Dokument beschreibt einen Reinforcement-Learning-Ansatz zur Gestaltung von Marktplatzgebühren, der berücksichtigt, dass Händler ihre Strategien an die Gebühren anpassen. Der Ansatz lernt gemeinsam einen Gebührenplan und Händlerstrategien und wägt dabei Profitabilität gegen ein ausdrückliches Fairnessziel für verschiedene Händlerklassen ab.

Die Autoren veranschaulichen den Ansatz an einer simulierten Börse mit Market Makern und privaten Anlegern. In der Simulation verschiebt eine Änderung der relativen Gewichtung von Anlegerklassen den erlernten Gebührenplan zugunsten der stärker gewichteten Klasse. Das Beispiel zeigt, wie Fairnessziele neben den Einnahmen des Betreibers und den Gewinnen der Teilnehmer die Preisgestaltung eines Marktplatzes beeinflussen können. Die Belege beschränken sich auf die beschriebene Simulation. Das Dokument berichtet keine Tests in realen Märkten und zeigt nicht, wie der Ansatz in anderen Marktplatzumgebungen funktioniert.

Kernaussagen

• Marktplatzgebühren können das Verhalten von Händlern beeinflussen, weil diese ihre Strategien an den Gebührenplan anpassen.
• Der Ansatz lernt Händlerstrategien und Marktplatzgebühren gemeinsam.
• Eine gewichtete Zielfunktion wägt Gewinne und faire Ergebnisse für verschiedene Händlerklassen gegeneinander ab.
• In einer simulierten Börse führt eine stärkere Gewichtung der Fairness für eine Klasse dazu, dass der Gebührenplan diese Klasse begünstigt.

Schlagwörter

# Equitable Marketplace Mechanism Design


# Equitable Marketplace Mechanism Design









We consider a trading marketplace that is populated by traders with diverse trading strategies and objectives. The marketplace allows the suppliers to list their goods and facilitates matching between buyers and sellers. In return, such a marketplace typically charges fees for facilitating trade. The goal of this work is to design a dynamic fee schedule for the marketplace that is equitable and profitable to all traders while being profitable to the marketplace at the same time (from charging fees). Since the traders adapt their strategies to the fee schedule, we present a reinforcement learning framework for simultaneously learning a marketplace fee schedule and trading strategies that adapt to this fee schedule using a weighted optimization objective of profits and equitability. We illustrate the use of the proposed approach in detail on a simulated stock exchange with different types of investors, specifically market makers and consumer investors. As we vary the equitability weights across different investor classes, we see that the learnt exchange fee schedule starts favoring the class of investors with the highest weight. We further discuss the observed insights from the simulated stock exchange in light of the general framework of equitable marketplace mechanism design.

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.