CGAN para simular mercados sintéticos reactivos

Resumen

El artículo aborda una limitación de los backtests con reproducción histórica: no modelan cómo podría responder el mercado a las acciones de una estrategia. Describe la simulación multiagente como una forma de representar las interacciones entre operadores con distintas estrategias, lo que permite probar agentes de trading experimentales en un mercado simulado. Un obstáculo práctico es que los datos históricos detallados sobre agentes individuales suelen ser privados o no estar disponibles, lo que dificulta una calibración realista.

El enfoque propuesto entrena redes generativas antagónicas condicionales con datos históricos agregados para crear un agente «mundo» sintético que genera órdenes en respuesta a un agente experimental. El generador se integra con el simulador de mercados financieros ABIDES. Los autores presentan simulaciones exhaustivas en las que el enfoque supera trabajos anteriores según hechos estilizados destinados a captar la capacidad de respuesta y el realismo del mercado. La descripción no identifica los hechos concretos, los conjuntos de datos, los mercados ni las medidas de rendimiento; además, los resultados de una simulación por sí solos no demuestran que un entorno generado prediga el comportamiento del mercado en vivo.

Ideas clave

• Los backtests con reproducción histórica no modelan las respuestas del mercado a las órdenes de una estrategia.
• La simulación multiagente puede representar las interacciones entre operadores con estrategias distintas.
• El método utiliza redes generativas antagónicas condicionales entrenadas con datos históricos agregados.
• Un agente mundo sintético genera órdenes en respuesta a un agente de trading experimental.
• El sistema se integra con ABIDES y, según el estudio, mejora hechos estilizados relacionados con el realismo.

Etiquetas

# 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.

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.