Calibrer des simulateurs de marché multi-agents sur les régimes historiques

Résumé

Cet article examine comment régler des simulateurs de marché multi-agents pour que les séries de prix et de volumes qu’ils génèrent ressemblent aux conditions historiques du marché. Ces simulateurs servent à tester des stratégies, et les auteurs soulignent qu’il faut représenter à la fois les périodes ordinaires et les régimes de tension, y compris les conditions observées au début de la pandémie de COVID.

L’approche proposée entraîne d’abord un discriminateur au sein d’un GAN à auto-attention pour distinguer les séries réelles de prix et de volumes des séries simulées. Ce discriminateur sert ensuite dans un cadre d’optimisation à ajuster un simulateur dont les archétypes d’agents sont connus, en visant un scénario de marché choisi. L’article rapporte des expériences qui démontrent l’efficacité de la méthode. La description disponible ne fournit ni mesures de performance, ni comparaison aux références, ni détails sur le simulateur et les données utilisés ; elle ne permet donc pas d’établir dans quelle mesure la méthode de calibration se généralise à différents marchés ou régimes.

Idées clés

• La méthode calibre des simulateurs multi-agents pour reproduire les régimes historiques dans les données de prix et de volumes.
• Un discriminateur GAN à auto-attention est entraîné à distinguer les séries observées des séries simulées.
• Une étape d’optimisation s’appuie sur le discriminateur pour régler les paramètres d’un simulateur dont les types d’agents sont connus.
• Les auteurs rapportent des résultats expérimentaux probants, mais le résumé ne fournit ni mesures ni analyse de généralisation.

Étiquettes

# 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.

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.