コンテンツへスキップ
ライブラリの全資料

マルチエージェント市場シミュレーターを過去のレジームに調整

記事 arXiv papers · 著者: Victor Storchan et al.
原文を読む

サマリー

本論文は、マルチエージェント市場シミュレーターが生成する価格と出来高の系列を、過去の市場状況に似せる調整方法を検討します。こうしたシミュレーターは戦略の検証に役立ち、著者らは通常の期間と、COVIDパンデミック初期に見られた状況を含むストレス局面の両方を表現する必要性を強調します。

提案手法では、まずセルフアテンションGAN内の識別器を学習させ、実際の価格・出来高系列とシミュレーション系列を見分けます。次に、その識別器を最適化の枠組みで使い、エージェントの類型が既知のシミュレーターを調整して、選択した市場シナリオを再現します。本論文は手法の有効性を示す実験を報告しています。利用可能な説明には性能指標、ベンチマークとの比較、具体的なシミュレーターやデータの詳細がないため、市場やレジームをまたいだ調整手法の汎用性は示されていません。

主なアイデア

  • 価格と出来高のデータで過去の市場レジームを再現するよう、マルチエージェント・シミュレーターを調整します。
  • セルフアテンションGANの識別器を学習させ、実際の系列とシミュレーション系列を見分けます。
  • エージェントの種類が既知のシミュレーターについて、識別器を用いた最適化でパラメーターを調整します。
  • 著者らは実験結果が有効だったと報告していますが、要旨には指標や汎化分析がありません。

タグ

機械学習市場マイクロストラクチャーバックテストリスク管理
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。