Aprendizaje por refuerzo para diseñar tarifas equitativas en mercados

Resumen

Este documento describe un marco de aprendizaje por refuerzo para diseñar tarifas de mercado teniendo en cuenta que los operadores adaptan sus estrategias en respuesta a esas tarifas. El marco aprende conjuntamente un esquema de tarifas y las estrategias de los operadores, equilibrando la rentabilidad con un objetivo explícito de equidad entre clases de operadores.

Los autores ilustran el enfoque en una bolsa de valores simulada con creadores de mercado e inversores particulares. En la simulación, cambiar los pesos relativos asignados a las clases de inversores desplaza el esquema de tarifas aprendido hacia la clase con mayor ponderación. El ejemplo muestra cómo los objetivos de equidad pueden influir en los precios del mercado junto con los ingresos del operador y los beneficios de los participantes. La evidencia se limita a la simulación descrita; el documento no presenta pruebas en mercados reales ni demuestra cómo funciona el marco en otros entornos de mercado.

Ideas clave

• Las tarifas del mercado pueden influir en el comportamiento de los operadores, ya que estos adaptan sus estrategias al esquema de tarifas.
• El marco aprende conjuntamente las estrategias de los operadores y las tarifas del mercado.
• Un objetivo ponderado equilibra los beneficios con resultados equitativos entre clases de operadores.
• En una bolsa simulada, un mayor peso de equidad para una clase hace que el esquema de tarifas la favorezca.

Etiquetas

# 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.

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.