Calibração de simuladores multiagente para regimes históricos

Resumo

Este artigo aborda como ajustar simuladores de mercado multiagente para que as séries de preços e volumes geradas se pareçam com as condições históricas do mercado. Esses simuladores apoiam o teste de estratégias, e os autores destacam a necessidade de representar tanto períodos comuns quanto regimes de estresse, incluindo condições observadas no início da pandemia de COVID.

A abordagem proposta primeiro treina um discriminador em uma GAN com autoatenção para distinguir séries reais de preço e volume de séries simuladas. Em seguida, esse discriminador é usado em uma estrutura de otimização para ajustar um simulador cujos arquétipos de agentes são conhecidos, visando a um cenário de mercado escolhido. O artigo relata experimentos que demonstram a eficácia do método. A descrição disponível não apresenta métricas de desempenho, comparações com benchmarks nem detalhes sobre o simulador e os dados específicos; portanto, não estabelece o quanto o método de calibração se generaliza entre mercados ou regimes.

Ideias principais

• O método calibra simuladores multiagente para reproduzir regimes históricos do mercado em dados de preços e volumes.
• Um discriminador com autoatenção GAN é treinado para distinguir séries observadas de séries simuladas.
• Uma etapa de otimização usa o discriminador para ajustar parâmetros de um simulador com tipos de agentes conhecidos.
• Os autores relatam resultados experimentais eficazes, mas o resumo não apresenta métricas nem análise de generalização.

Tags

# 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.

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.