شبکه‌های خصمانه مولد شرطی برای شبیه‌سازی بازار واکنش‌پذیر
خلاصه
این مقاله به یکی از محدودیت‌های بک‌تست با بازپخش تاریخی می‌پردازد: این روش‌ها واکنش احتمالی بازار به اقدامات یک راهبرد را مدل نمی‌کنند. در آن، شبیه‌سازی چندعاملی راهی برای نمایش تعامل میان معامله‌گرانی با راهبردهای متفاوت معرفی می‌شود تا عامل‌های معاملاتی آزمایشی در بازاری شبیه‌سازی‌شده آزموده شوند. مانع عملی این است که داده‌های تاریخی دقیق درباره عامل‌های منفرد عموماً اختصاصی‌اند یا در دسترس نیستند و کالیبراسیون واقع‌گرایانه را دشوار می‌کنند.
روش پیشنهادی، شبکه‌های خصمانه مولد شرطی را با داده‌های تاریخی تجمیعی آموزش می‌دهد تا یک عامل مصنوعیِ «جهان» بسازد که در واکنش به عامل آزمایشی سفارش تولید می‌کند. مولد در شبیه‌ساز بازار مالی ABIDES ادغام شده است. نویسندگان گزارش می‌کنند که در شبیه‌سازی‌های گسترده، روششان در بازتولید ویژگی‌های سبک‌وار بازار که برای سنجش واکنش‌پذیری و واقع‌گرایی بازار در نظر گرفته شده‌اند، از کارهای پیشین بهتر عمل می‌کند. توضیح مشخص نمی‌کند این ویژگی‌ها، مجموعه‌داده‌ها، بازارها یا معیارهای عملکرد چه بوده‌اند و نتایج شبیه‌سازی به‌تنهایی ثابت نمی‌کنند که محیط تولیدشده رفتار بازار زنده را پیش‌بینی می‌کند.
ایده‌های کلیدی
- بک‌تست‌های بازپخش تاریخی واکنش بازار به سفارش‌های یک راهبرد را مدل نمی‌کنند.
- شبیه‌سازی چندعاملی می‌تواند تعامل میان معامله‌گران با راهبردهای گوناگون را بازنمایی کند.
- این روش از شبکه‌های خصمانه مولد شرطی آموزش‌دیده با داده‌های تاریخی تجمیعی استفاده می‌کند.
- یک عامل مصنوعیِ جهان در واکنش به عامل معاملاتی آزمایشی سفارش تولید می‌کند.
- این سامانه در ABIDES ادغام شده و گزارش شده است که ویژگی‌های سبک‌وار مرتبط با واقع‌گرایی را بهبود می‌دهد.
برچسب‌ها
متن کامل
# 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.
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.