Calibración de simuladores de mercado multiagente con regímenes históricos

Resumen

Este artículo aborda cómo ajustar simuladores de mercado multiagente para que las series de precios y volúmenes que generan se parezcan a las condiciones históricas del mercado. Estos simuladores sirven para probar estrategias, y los autores destacan la necesidad de representar tanto los periodos normales como los regímenes de tensión, incluidas las condiciones observadas al inicio de la pandemia de COVID.

El método propuesto primero entrena un discriminador dentro de una GAN con autoatención para distinguir series reales de precios y volúmenes de las simuladas. Luego utiliza ese discriminador en un marco de optimización para ajustar un simulador con arquetipos de agentes conocidos, con el objetivo de alcanzar un escenario de mercado elegido. El artículo informa de experimentos que demuestran la eficacia del método. La descripción disponible no ofrece medidas de rendimiento, comparaciones con valores de referencia ni detalles sobre el simulador y los datos concretos, por lo que no demuestra hasta qué punto el método de calibración se generaliza a otros mercados o regímenes.

Ideas clave

• El método calibra simuladores multiagente para reproducir regímenes históricos del mercado en datos de precios y volúmenes.
• Se entrena un discriminador de GAN con autoatención para distinguir series observadas de series simuladas.
• Un paso de optimización utiliza el discriminador para ajustar los parámetros de un simulador cuyos tipos de agentes son conocidos.
• Los autores informan de resultados experimentales eficaces, pero el resumen no ofrece métricas ni análisis de generalización.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.