MarketGPT برای تولید رویدادهای دفتر سفارش محدود و شبیه‌سازی بازار
خلاصه
این پژوهش ترنسفورمرِ پیش‌آموزش‌دیده مولدی را برای مدل‌سازی سری‌های زمانی مالی به شکل توالی پیام‌های سفارش ارائه می‌کند. مدل به‌عنوان موتور تولید سفارش درون یک شبیه‌ساز رویدادگسسته عمل می‌کند و هدف آن بازتولید پویایی دفتر سفارش محدود و پشتیبانی از شبیه‌سازی‌های تعاملی بازار است. این مدل طوری طراحی شده که توالی‌های بلند را به‌صورت تدریجی تولید کند، حتی پس از آنکه پیام اولیه جریان سفارش از پنجره زمینه آن خارج شده باشد.
ارزیابی‌های گزارش‌شده نشان می‌دهند جریان سفارش تولیدشده ویژگی‌های اصلی داده‌های مشاهده‌شده جریان سفارش را بازتولید می‌کند و چندین الگوی آماری مرتبط با بازارهای واقعی و داده‌های کلان‌تر را در بر می‌گیرد. این نتایج به وفاداری شبیه‌سازی مربوط‌اند، نه استراتژی معاملاتی اثبات‌شده یا شواهدی از اجرای سودآور. سند معیارهای جزئی، مجموعه‌داده‌ها یا مبناهای مقایسه را ارائه نمی‌دهد؛ بنابراین میزان وفاداری و شرایطی که این نتیجه در آن‌ها برقرار است از این توصیف روشن نیست. این رویکرد به‌عنوان پیشرفتی در جهت شبیه‌سازی بازار با وفاداری بالا مطرح می‌شود و فایده عملی آن به اعتبارسنجی در برابر دفترهای سفارش واقعی و توانایی شبیه‌ساز در بازنمایی شرایط بازار فراتر از موارد ارزیابی‌شده بستگی دارد.
ایده‌های کلیدی
- ترنسفورمر برای شبیه‌ساز رویدادگسسته، توالی پیام‌های سفارش مالی تولید می‌کند.
- هدف سامانه بازتولید پویایی دفتر سفارش محدود است.
- سامانه پس از خروج پیام اولیه از پنجره زمینه نیز می‌تواند تولید جریان سفارش را ادامه دهد.
- ارزیابی‌های گزارش‌شده نشان می‌دهند سامانه ویژگی‌های اصلی جریان سفارش و چندین الگوی آماری بازار را بازنمایی می‌کند.
- وفاداری شبیه‌سازی به‌تنهایی نشان نمی‌دهد که مدل از معامله سودآور پشتیبانی می‌کند.
برچسب‌ها
متن کامل
# MarketGPT: Developing a Pre-trained transformer (GPT) for Modeling Financial Time Series # MarketGPT: Developing a Pre-trained transformer (GPT) for Modeling Financial Time Series This work presents a generative pre-trained transformer (GPT) designed for modeling financial time series. The GPT functions as an order generation engine within a discrete event simulator, enabling realistic replication of limit order book dynamics. Our model leverages recent advancements in large language models to produce long sequences of order messages in a steaming manner. Our results demonstrate that the model successfully reproduces key features of order flow data, even when the initial order flow prompt is no longer present within the model's context window. Moreover, evaluations reveal that the model captures several statistical properties, or 'stylized facts', characteristic of real financial markets and broader macro-scale data distributions. Collectively, this work marks a significant step toward creating high-fidelity, interactive market simulations.
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.