Calibração de um modelo de mercado intradiário baseado em agentes com XGBoost
Resumo
O artigo apresenta XGB-Chiarella, um método para calibrar um modelo de mercado de Chiarella ampliado e baseado em agentes, a fim de reproduzir o comportamento intradiário dos preços. O mercado simulado contém traders fundamentalistas, de momentum e de ruído. Em vez de estimar os parâmetros do modelo com a abordagem original de maximização da esperança (EM), o método usa um substituto XGBoost como aproximação eficiente da simulação baseada em agentes.
Os autores relatam que o substituto aproxima a simulação e que sua calibração corresponde melhor a fatos estilizados históricos do que o método original de estimação de parâmetros. Também relatam a geração de séries de preços realistas para ações de três bolsas, com um agente por categoria de trader suficiente na escala de minutos estudada. Essas descobertas dizem respeito ao modelo e à calibração descritos no artigo; o resumo não apresenta métricas detalhadas de validação nem evidências de que os preços gerados prevejam retornos futuros. Os autores sugerem que a estrutura pode ajudar profissionais a examinar a formação de preços e a gestão de risco.
Ideias principais
- O modelo de Chiarella ampliado representa traders fundamentalistas, de momentum e de ruído.
- Um substituto XGBoost é usado para calibrar a simulação baseada em agentes.
- O artigo relata maior correspondência com fatos estilizados históricos do que com a abordagem original de estimação.
- O modelo é aplicado a ações de três bolsas em uma escala temporal de minutos.
- O realismo dos preços relatado não demonstra, por si só, valor preditivo para trading.
Tags
Texto completo
# 2208.14207 # Understanding intra-day price formation process by agent-based financial market simulation: calibrating the extended chiarella model This article presents XGB-Chiarella, a powerful new approach for deploying agent-based models to generate realistic intra-day artificial financial price data. This approach is based on agent-based models, calibrated by XGBoost machine learning surrogate. Following the Extended Chiarella model, three types of trading agents are introduced in this agent-based model: fundamental traders, momentum traders, and noise traders. In particular, XGB-Chiarella focuses on configuring the simulation to accurately reflect real market behaviours. Instead of using the original Expectation-Maximisation algorithm for parameter estimation, the agent-based Extended Chiarella model is calibrated using XGBoost machine learning surrogate. It is shown that the machine learning surrogate learned in the proposed method is an accurate proxy of the true agent-based market simulation. The proposed calibration method is superior to the original Expectation-Maximisation parameter estimation in terms of the distance between historical and simulated stylised facts. With the same underlying model, the proposed methodology is capable of generating realistic price time series in various stocks listed at three different exchanges, which indicates the universality of intra-day price formation process. For the time scale (minutes) chosen in this paper, one agent per category is shown to be sufficient to capture the intra-day price formation process. The proposed XGB-Chiarella approach provides insights that the price formation process is comprised of the interactions between momentum traders, fundamental traders, and noise traders. It can also be used to enhance risk management by practitioners.
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.