Apprentissage par renforcement multi-agents équitable pour l’exécution d’ordres sur actions

Résumé

L’article examine comment un bureau de trading devrait exécuter des ordres pour plusieurs clients qui recherchent les mêmes actifs, mais dont les tailles d’ordres, les horizons et les préférences de risque diffèrent. Les premières exécutions peuvent faire évoluer les prix ; l’optimisation des revenus totaux du trading peut donc désavantager les clients dont les ordres sont exécutés plus tard. Le cadre proposé utilise l’apprentissage par renforcement multi-agents pour élaborer des stratégies propres à chaque client, tout en équilibrant les résultats du groupe.

Un indice de Gini généralisé agrège les revenus des clients et permet de prendre en compte l’objectif d’équité parallèlement à l’optimisation des revenus. Les auteurs rapportent des éléments empiriques indiquant que l’approche améliore l’équité tout en maintenant l’optimisation des revenus, et avancent que l’apprentissage par renforcement peut adapter les stratégies à l’évolution des conditions de marché. La description fournie ne précise ni le jeu de données, ni le protocole expérimental, ni les résultats numériques, ni les détails de comparaison ; la solidité et la portée de l’affirmation empirique ne peuvent donc être évaluées à partir de ce seul texte.

Idées clés

• L’exécution des ordres des clients peut créer un conflit entre la maximisation des revenus totaux et l’équité entre clients.
• Les ordres exécutés plus tôt peuvent influer sur les prix et accroître les coûts d’exécution ultérieurs.
• Le cadre utilise l’apprentissage par renforcement multi-agents pour apprendre des stratégies d’exécution propres à chaque client.
• Un indice de Gini généralisé intègre l’équité distributive à l’agrégation des revenus.
• Le document affirme que l’équité s’améliore tandis que l’optimisation des revenus est maintenue, mais fournit peu de détails pour évaluer les éléments présentés.

Étiquettes

# Fairness in Multi-agent Reinforcement Learning for Stock Trading


# Fairness in Multi-agent Reinforcement Learning for Stock Trading









Unfair stock trading strategies have been shown to be one of the most negative perceptions that customers can have concerning trading and may result in long-term losses for a company. Investment banks usually place trading orders for multiple clients with the same target assets but different order sizes and diverse requirements such as time frame and risk aversion level, thereby total earning and individual earning cannot be optimized at the same time. Orders executed earlier would affect the market price level, so late execution usually means additional implementation cost. In this paper, we propose a novel scheme that utilizes multi-agent reinforcement learning systems to derive stock trading strategies for all clients which keep a balance between revenue and fairness. First, we demonstrate that Reinforcement learning (RL) is able to learn from experience and adapt the trading strategies to the complex market environment. Secondly, we show that the Multi-agent RL system allows developing trading strategies for all clients individually, thus optimizing individual revenue. Thirdly, we use the Generalized Gini Index (GGI) aggregation function to control the fairness level of the revenue across all clients. Lastly, we empirically demonstrate the superiority of the novel scheme in improving fairness meanwhile maintaining optimization of revenue.

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.