Trading de campo medio con información latente e impacto en el mercado

Resumen

Este artículo modela el trading algorítmico entre agentes heterogéneos que no pueden observar directamente los estados latentes del mercado. Los agentes estiman esos estados mediante filtrado y operan para ejecutar órdenes de forma óptima o realizar arbitraje estadístico. Sus acciones generan impactos permanentes y temporales en los precios, por lo que el contexto constituye un gran juego estocástico con participantes que interactúan.

Los autores estudian un límite de campo medio con varias subpoblaciones de agentes y usan análisis convexo para caracterizar el equilibrio mediante una ecuación diferencial estocástica de avance y retroceso con valores vectoriales. Demuestran que existe una solución única, la derivan en forma cerrada, caracterizan el comportamiento de equilibrio de los agentes y prueban que esta estrategia de campo medio aproxima un equilibrio en el juego con un número finito de agentes. Ejemplos simulados ilustran la estrategia. El texto proporcionado no especifica la calibración de mercado, el rendimiento empírico ni las restricciones prácticas de ejecución, así que los resultados son teóricos y se basan en simulaciones, y no constituyen evidencia de rentabilidad en trading en vivo.

Ideas clave

• Los agentes filtran los estados latentes del mercado antes de decidir cómo operar.
• El modelo incluye operadores heterogéneos que buscan ejecutar órdenes o realizar arbitraje estadístico.
• El trading genera impactos permanentes y temporales en los precios dentro del juego estocástico.
• Un límite de campo medio produce un equilibrio caracterizado por un sistema estocástico de avance y retroceso.
• Se demuestra que el equilibrio aproxima un equilibrio de Nash en el contexto con un número finito de agentes, y se ilustra con simulaciones.

Etiquetas

# Mean Field Games with Partial Information for Algorithmic Trading


# Mean Field Games with Partial Information for Algorithmic Trading









Financial markets are often driven by latent factors which traders cannot observe. Here, we address an algorithmic trading problem with collections of heterogeneous agents who aim to perform optimal execution or statistical arbitrage, where all agents filter the latent states of the world, and their trading actions have permanent and temporary price impact. This leads to a large stochastic game with heterogeneous agents. We solve the stochastic game by investigating its mean-field game (MFG) limit, with sub-populations of heterogeneous agents, and, using a convex analysis approach, we show that the solution is characterized by a vector-valued forward-backward stochastic differential equation (FBSDE). We demonstrate that the FBSDE admits a unique solution, obtain it in closed-form, and characterize the optimal behaviour of the agents in the MFG equilibrium. Moreover, we prove the MFG equilibrium provides an $ε$-Nash equilibrium for the finite player game. We conclude by illustrating the behaviour of agents using the optimal MFG strategy through simulated examples.

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.