CGANs para simulações sintéticas responsivas do mercado

Resumo

O artigo aborda uma limitação dos backtests por reprodução histórica: eles não modelam como o mercado poderia reagir às ações de uma estratégia. Descreve a simulação multiagente como uma forma de representar interações entre traders com estratégias diferentes, permitindo testar agentes de trading experimentais em um mercado simulado. Um obstáculo prático é que dados históricos detalhados sobre agentes individuais geralmente são proprietários ou indisponíveis, o que dificulta uma calibração realista.

A abordagem proposta treina redes adversariais generativas condicionais com dados históricos agregados para criar um agente sintético de “mundo”, que gera ordens em resposta a um agente experimental. O gerador é integrado ao simulador de mercado financeiro ABIDES. Os autores relatam simulações extensas nas quais a abordagem supera trabalhos anteriores em fatos estilizados destinados a captar a capacidade de resposta e o realismo do mercado. A descrição não identifica os fatos, conjuntos de dados, mercados ou medidas de desempenho específicos, e resultados de simulação, por si só, não demonstram que um ambiente gerado prevê o comportamento do mercado real.

Ideias principais

• Backtests por reprodução histórica não modelam as respostas do mercado às ordens de uma estratégia.
• A simulação multiagente pode representar interações entre traders com estratégias diferentes.
• O método usa redes adversariais generativas condicionais treinadas com dados históricos agregados.
• Um agente sintético de mundo gera ordens em resposta a um agente de trading experimental.
• O sistema é integrado ao ABIDES e, segundo o relato, melhora fatos estilizados relacionados ao realismo.

Tags

# Towards Realistic Market Simulations: a Generative Adversarial Networks Approach


# Towards Realistic Market Simulations: a Generative Adversarial Networks Approach









Simulated environments are increasingly used by trading firms and investment banks to evaluate trading strategies before approaching real markets. Backtesting, a widely used approach, consists of simulating experimental strategies while replaying historical market scenarios. Unfortunately, this approach does not capture the market response to the experimental agents' actions. In contrast, multi-agent simulation presents a natural bottom-up approach to emulating agent interaction in financial markets. It allows to set up pools of traders with diverse strategies to mimic the financial market trader population, and test the performance of new experimental strategies. Since individual agent-level historical data is typically proprietary and not available for public use, it is difficult to calibrate multiple market agents to obtain the realism required for testing trading strategies. To addresses this challenge we propose a synthetic market generator based on Conditional Generative Adversarial Networks (CGANs) trained on real aggregate-level historical data. A CGAN-based "world" agent can generate meaningful orders in response to an experimental agent. We integrate our synthetic market generator into ABIDES, an open source simulator of financial markets. By means of extensive simulations we show that our proposal outperforms previous work in terms of stylized facts reflecting market responsiveness and realism.

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.