CGAN : simulations de marché synthétique réactives

Résumé

L’article aborde une limite des backtests par rejeu historique : ils ne modélisent pas la façon dont le marché pourrait réagir aux actions d’une stratégie. Il présente la simulation multi-agents comme un moyen de représenter les interactions entre des traders aux stratégies différentes et de tester des agents expérimentaux dans un marché simulé. Un obstacle pratique tient au fait que les données historiques détaillées sur les agents individuels sont généralement propriétaires ou indisponibles, ce qui complique un calibrage réaliste.

L’approche proposée entraîne des réseaux antagonistes génératifs conditionnels sur des données historiques agrégées pour créer un agent « monde » synthétique qui produit des ordres en réponse à un agent expérimental. Le générateur est intégré au simulateur de marché financier ABIDES. Les auteurs rapportent de nombreuses simulations dans lesquelles leur approche dépasse les travaux antérieurs sur des faits stylisés destinés à rendre compte de la réactivité et du réalisme du marché. La description ne précise ni les faits concernés, ni les jeux de données, marchés ou mesures de performance ; les résultats de simulation ne suffisent pas à établir qu’un environnement généré prédit le comportement des marchés en réel.

Idées clés

• Les backtests par rejeu historique ne modélisent pas les réactions du marché aux ordres d’une stratégie.
• La simulation multi-agents peut représenter les interactions entre traders aux stratégies différentes.
• La méthode utilise des réseaux antagonistes génératifs conditionnels entraînés sur des données historiques agrégées.
• Un agent monde synthétique génère des ordres en réponse à un agent de trading expérimental.
• Le système est intégré à ABIDES et améliorerait, selon les auteurs, des faits stylisés liés au réalisme.

Étiquettes

# 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.

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.