AI complexidade dos modelos, trading e evolução da eficiência de mercado

Resumo

Este artigo considera como sistemas de AI de baixo custo, que aproximam relações complexas, poderiam mudar a maneira como as estratégias de trading incorporam informações aos preços. Ele formula a eficiência de mercado por meio de processos de preços em equilíbrio, usando as crenças dos investidores e a complexidade de seus modelos e estratégias otimizadas para distinguir níveis de eficiência.

Os autores discutem como o acesso mais amplo a aproximadores mais capazes pode dificultar a exploração de oportunidades lucrativas por traders com modelos menos eficazes. Também argumentam que explicações baseadas em equilíbrio não bastam para descrever como a eficiência muda em um mercado adaptativo com participantes que interagem e apontam a dinâmica fora do equilíbrio como um desafio. O texto fornecido é conceitual: delineia uma estrutura e um problema de pesquisa, mas não apresenta resultados empíricos, regras específicas de trading nem evidências de que a adoção de AI necessariamente torne os mercados mais eficientes. As conclusões dependem das condições declaradas e de como modelos, crenças e adaptação são representados.

Ideias principais

• Estratégias de trading transmitem informações aos preços, vinculando a qualidade dos modelos à eficiência de mercado.
• Aproximadores de AI de baixo custo podem viabilizar estratégias mais complexas e reduzir as oportunidades para traders menos eficazes.
• O artigo usa processos de preços em equilíbrio e crenças dos investidores para distinguir níveis de eficiência de mercado.
• Mercados adaptativos com múltiplos agentes podem sair do equilíbrio, criando desafios para análises padrão de eficiência.
• A descrição fornecida apresenta uma discussão conceitual sem resultados empíricos nem estratégia específica de trading.

Tags

# How low-cost AI universal approximators reshape market efficiency


# How low-cost AI universal approximators reshape market efficiency









The efficient market hypothesis (EMH) famously stated that prices fully reflect the information available to traders. This critically depends on the transfer of information into prices through trading strategies. Traders optimise their strategy with models of increasing complexity that identify the relationship between information and profitable trades more and more accurately. Under specific conditions, the increased availability of low-cost universal approximators, such as AI systems, should be naturally pushing towards more advanced trading strategies, potentially making it harder and harder for inefficient traders to profit. In this paper, we leverage on a generalised notion of market efficiency, based on the definition of an equilibrium price process, that allows us to distinguish different levels of model complexity through investors' beliefs, and trading strategies optimisation, and discuss the relationship between AI-powered trading and the time-evolution of market efficiency. Finally, we outline the need for and the challenge of describing out-of-equilibrium market dynamics in an adaptive multi-agent environment.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.