Aprendizaje por refuerzo multiagente que incorpora equidad en la ejecución de acciones

Resumen

El artículo aborda cómo una mesa de trading debería ejecutar órdenes para varios clientes que buscan los mismos activos cuando difieren el tamaño de sus órdenes, sus horizontes y sus preferencias de riesgo. Las ejecuciones anteriores pueden mover los precios, por lo que optimizar los ingresos totales del trading puede perjudicar a los clientes cuyas órdenes se ejecutan más tarde. El marco propuesto utiliza aprendizaje por refuerzo multiagente para desarrollar estrategias para cada cliente y equilibrar los resultados del grupo.

Un índice de Gini generalizado agrega los ingresos de los clientes y permite controlar el objetivo de equidad junto con la optimización de los ingresos. Los autores presentan pruebas empíricas de que el enfoque mejora la equidad a la vez que mantiene la optimización de los ingresos, y sostienen que el aprendizaje por refuerzo puede adaptar las estrategias a condiciones cambiantes del mercado. La descripción proporcionada no incluye datos, diseño experimental, resultados numéricos ni detalles de las comparaciones; por tanto, este texto por sí solo no permite evaluar la solidez ni la generalidad de la afirmación empírica.

Ideas clave

• La ejecución de órdenes de clientes puede generar conflictos entre maximizar los ingresos totales y tratar a los clientes con equidad.
• Las órdenes anteriores pueden influir en los precios y elevar los costes de ejecución de las posteriores.
• El marco utiliza aprendizaje por refuerzo multiagente para aprender estrategias de ejecución específicas para cada cliente.
• Un índice de Gini generalizado incorpora la equidad distributiva al cálculo agregado de los ingresos.
• El documento afirma que mejora la equidad y mantiene la optimización de los ingresos, pero aporta pocos detalles para evaluar las pruebas.

Etiquetas

# 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.

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.