تولید مسیرهای قیمت درون‌روزی از جریان سفارش مصنوعی
خلاصه
این مقاله جریان سفارش پربسامد را منبع تغییرات قیمت درون‌روزی مدل‌سازی می‌کند و برای تولید توالی‌های سفارش مصنوعی از شبکه‌های مولد تخاصمی توالی‌محور استفاده می‌کند. این توالی‌ها برای شبیه‌سازی مسیرهای قیمت به کار می‌روند و سپس رفتار تولیدشده با داده‌های واقعی بازار مقایسه می‌شود. یک مدل پارامتری از مالی کمی معیار مقایسه است و هر دو مدل پیش از نمونه‌گیری مسیرهای تصادفی جریان سفارش برازش می‌شوند.
ارزیابی بر این متمرکز است که آیا قیمت‌های شبیه‌سازی‌شده ویژگی‌های تجربی تغییرات واقعی قیمت، از جمله توزیع بازده لگاریتمی، نوسان و دنباله‌های سنگین را بازتولید می‌کنند یا نه. نویسندگان گزارش می‌کنند که توالی‌های سفارشِ مدل مولد، تغییرات قیمتِ حاصل را بهتر از معیار مقایسه با رفتار آماری مشاهده‌شده منطبق می‌کنند. گزیده بازار، دوره نمونه، جزئیات مدل یا اندازه کمی بهبود را مشخص نمی‌کند. شواهد به وفاداری آماری شبیه‌سازی مربوط است و ثابت نمی‌کند مسیرهای مصنوعی از معامله سودآور پشتیبانی می‌کنند یا همه ویژگی‌های مرتبط بازار را در بر می‌گیرند.
ایده‌های کلیدی
- این روش از یک توالی GAN برای تولید جریان سفارش پربسامد مصنوعی استفاده می‌کند.
- توالی‌های سفارش تولیدشده به تغییرات قیمت درون‌روزی شبیه‌سازی‌شده تبدیل می‌شوند.
- یک مدل پارامتری مالی کمی به‌عنوان معیار مقایسه به کار می‌رود.
- ارزیابی، توزیع بازده، نوسان و رفتار دنباله سنگین را با داده واقعی مقایسه می‌کند.
- بهبود گزارش‌شده به شباهت آماری مربوط است، نه سودآوری معامله.
برچسب‌ها
متن کامل
# Intra-Day Price Simulation with Generative Adversarial Modelling of the Order Flow # Intra-Day Price Simulation with Generative Adversarial Modelling of the Order Flow Intra-day price variations in financial markets are driven by the sequence of orders, called the order flow, that is submitted at high frequency by traders. This paper introduces a novel application of the Sequence Generative Adversarial Networks framework to model the order flow, such that random sequences of the order flow can then be generated to simulate the intra-day variation of prices. As a benchmark, a well-known parametric model from the quantitative finance literature is selected. The models are fitted, and then multiple random paths of the order flow sequences are sampled from each model. Model performances are then evaluated by using the generated sequences to simulate price variations, and we compare the empirical regularities between the price variations produced by the generated and real sequences. The empirical regularities considered include the distribution of the price log-returns, the price volatility, and the heavy-tail of the log-returns distributions. The results show that the order sequences from the generative model are better able to reproduce the statistical behaviour of real price variations than the sequences from the benchmark.
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.