تنظیم شبیه‌سازهای بازار چندعاملی با رژیم‌های تاریخی
خلاصه
این مقاله بررسی می‌کند چگونه شبیه‌سازهای بازار چندعاملی را تنظیم کنیم تا سری‌های قیمت و حجم تولیدشده به شرایط تاریخی بازار شباهت داشته باشند. چنین شبیه‌سازهایی از آزمون استراتژی پشتیبانی می‌کنند و نویسندگان بر ضرورت بازنمایی دوره‌های عادی و رژیم‌های پُرتنش، از جمله شرایط آغاز همه‌گیری COVID، تأکید دارند.
رویکرد پیشنهادی ابتدا یک تمایزدهنده را درون یک GAN با خودتوجهی آموزش می‌دهد تا سری‌های واقعی قیمت و حجم را از سری‌های شبیه‌سازی‌شده تشخیص دهد. سپس از این تمایزدهنده در چارچوب بهینه‌سازی برای تنظیم شبیه‌سازی استفاده می‌شود؛ گونه‌های عامل آن معلوم‌اند و هدف، یک سناریوی منتخب بازار است. مقاله آزمایش‌هایی را گزارش می‌کند که اثربخشی روش را نشان می‌دهند. توضیح موجود معیارهای عملکرد، مقایسه با معیارهای مرجع یا جزئیاتی درباره شبیه‌ساز و داده‌های مشخص ارائه نمی‌کند؛ بنابراین، تعمیم‌پذیری گسترده روش کالیبراسیون میان بازارها یا رژیم‌ها اثبات نشده است.
ایده‌های کلیدی
- این روش شبیه‌سازهای چندعاملی را تنظیم می‌کند تا رژیم‌های تاریخی بازار را در داده‌های قیمت و حجم بازتولید کنند.
- یک تمایزدهنده GAN با خودتوجهی آموزش داده می‌شود تا سری‌های مشاهده‌شده را از سری‌های شبیه‌سازی‌شده تشخیص دهد.
- در یک گام بهینه‌سازی، از مدل تمایزدهنده برای تنظیم پارامترهای شبیه‌سازی با انواع عامل معلوم استفاده می‌شود.
- نویسندگان نتایج آزمایشی مؤثری گزارش می‌کنند، اما چکیده معیارها یا تحلیل تعمیم‌پذیری ارائه نمی‌دهد.
برچسب‌ها
متن کامل
# 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.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.