Calibrer un modèle de marché intrajournalier à base d’agents avec XGBoost

Résumé

L’article présente XGB-Chiarella, une méthode pour calibrer un modèle de marché étendu à base d’agents de Chiarella afin de reproduire le comportement intrajournalier des prix. Le marché simulé comprend des traders fondamentalistes, des traders de momentum et des traders bruitistes. Au lieu d’estimer les paramètres du modèle par la méthode originale de maximisation de l’espérance, la méthode utilise un substitut XGBoost comme approximation efficace de la simulation à base d’agents.

Les auteurs indiquent que le substitut approxime la simulation et que son calibrage reproduit mieux les faits stylisés historiques que la méthode d’estimation initiale des paramètres. Ils rapportent également la génération de séries de prix réalistes pour des actions de trois places boursières, un seul agent par catégorie de trader étant suffisant à l’échelle temporelle étudiée, à la minute. Ces résultats concernent le modèle et le calibrage décrits dans l’article ; le résumé ne fournit ni mesures détaillées de validation, ni preuve que les prix générés prédisent les rendements futurs. Les auteurs suggèrent que le cadre pourrait aider les praticiens à examiner la formation des prix et la gestion du risque.

Idées clés

• Le modèle étendu de Chiarella représente des traders fondamentalistes, des traders de momentum et des traders bruitistes.
• Un substitut XGBoost sert à calibrer la simulation à base d’agents.
• L’article rapporte une meilleure concordance avec les faits stylisés historiques qu’avec l’approche d’estimation initiale.
• Le modèle est appliqué à des actions de trois places boursières à une échelle temporelle de la minute.
• Le réalisme des prix rapporté ne démontre pas à lui seul une valeur prédictive pour le trading.

Étiquettes

# 2208.14207


# Understanding intra-day price formation process by agent-based financial market simulation: calibrating the extended chiarella model









This article presents XGB-Chiarella, a powerful new approach for deploying agent-based models to generate realistic intra-day artificial financial price data. This approach is based on agent-based models, calibrated by XGBoost machine learning surrogate. Following the Extended Chiarella model, three types of trading agents are introduced in this agent-based model: fundamental traders, momentum traders, and noise traders. In particular, XGB-Chiarella focuses on configuring the simulation to accurately reflect real market behaviours. Instead of using the original Expectation-Maximisation algorithm for parameter estimation, the agent-based Extended Chiarella model is calibrated using XGBoost machine learning surrogate. It is shown that the machine learning surrogate learned in the proposed method is an accurate proxy of the true agent-based market simulation. The proposed calibration method is superior to the original Expectation-Maximisation parameter estimation in terms of the distance between historical and simulated stylised facts. With the same underlying model, the proposed methodology is capable of generating realistic price time series in various stocks listed at three different exchanges, which indicates the universality of intra-day price formation process. For the time scale (minutes) chosen in this paper, one agent per category is shown to be sufficient to capture the intra-day price formation process. The proposed XGB-Chiarella approach provides insights that the price formation process is comprised of the interactions between momentum traders, fundamental traders, and noise traders. It can also be used to enhance risk management by practitioners.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.