본문으로 건너뛰기
라이브러리 문서 전체

예측 시장 주문장 재생을 활용한 트레이딩 에이전트 백테스트

기사 arXiv papers · 저자: Avi Arora et al.
원문 읽기

요약

이 문서는 예측 시장에서 알고리즘 및 언어 모델 트레이딩 에이전트를 평가하는 벤치마크를 제시합니다. 주문장 갱신, 거래, 계약 수명 주기 이벤트, 정산 기록으로 과거 에피소드를 구성한 뒤 결정론적으로 재생해 전략들이 일관된 시장 상황을 마주하도록 합니다. 에이전트 인터페이스를 통해 기존 알고리즘과 도구를 사용하는 언어 모델 모두 시뮬레이션에 참여할 수 있습니다.

시뮬레이터는 메이커와 테이커의 체결 방식 및 수수료를 모델링해 거래 마찰과 정산 위험을 고려한 결과 평가를 지원합니다. 암호화폐, 날씨, 스포츠 시장을 바탕으로 한 네 가지 에피소드를 설명합니다. 기준 결과에 따르면 단순한 에이전트는 거래 비용이나 정산 결과로 손실을 볼 수 있는 반면, 수수료를 고려하는 전략은 변동성이 큰 에피소드에서 경쟁력을 유지할 수 있습니다. 근거는 이 네 에피소드와 명시된 기준 전략에 한정되며, 요약에는 상세한 성과 수치나 다른 시장에서도 같은 결과를 얻는다는 폭넓은 주장이 없습니다.

핵심 아이디어

  • 과거 시장 흐름을 결정론적으로 재생해 일관된 조건에서 에이전트를 비교할 수 있습니다.
  • 주문장 데이터, 거래, 계약 수명 주기 이벤트, 정산을 에피소드로 결합합니다.
  • 시뮬레이터는 메이커와 테이커의 행동 및 수수료를 모델링합니다.
  • 단순한 매매는 비용과 정산 손실로 성과가 약화될 수 있습니다.
  • 수수료를 고려한 알고리즘은 변동성 에피소드에서 경쟁력이 있다고 보고되지만, 근거는 네 시장에 한정됩니다.

태그

백테스트주문 집행시장 미시구조리스크 관리이벤트 기반 전략
전문
# PredictionMarketBench: A SWE-bench-Style Framework for Backtesting Trading Agents on Prediction Markets


# PredictionMarketBench: A SWE-bench-Style Framework for Backtesting Trading Agents on Prediction Markets









Prediction markets offer a natural testbed for trading agents: contracts have binary payoffs, prices can be interpreted as probabilities, and realized performance depends critically on market microstructure, fees, and settlement risk. We introduce PredictionMarketBench, a SWE-bench-style benchmark for evaluating algorithmic and LLM-based trading agents on prediction markets via deterministic, event-driven replay of historical limit-order-book and trade data. PredictionMarketBench standardizes (i) episode construction from raw exchange streams (orderbooks, trades, lifecycle, settlement), (ii) an execution-realistic simulator with maker/taker semantics and fee modeling, and (iii) a tool-based agent interface that supports both classical strategies and tool-calling LLM agents with reproducible trajectories. We release four Kalshi-based episodes spanning cryptocurrency, weather, and sports. Baseline results show that naive trading agents can underperform due to transaction costs and settlement losses, while fee-aware algorithmic strategies remain competitive in volatile episodes.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.