Aprendizado por reforço para definir taxas equitativas em marketplaces

Resumo

Este documento descreve uma estrutura de aprendizado por reforço para definir taxas de marketplace considerando que os traders adaptam suas estratégias em resposta a essas taxas. A estrutura aprende em conjunto uma tabela de taxas e as estratégias dos traders, equilibrando a lucratividade com um objetivo explícito de equidade entre classes de traders.

Os autores ilustram a abordagem em uma bolsa de valores simulada com formadores de mercado e investidores de varejo. Na simulação, alterar os pesos relativos atribuídos às classes de investidores desloca a tabela de taxas aprendida em favor da classe que recebe maior peso. O exemplo mostra como objetivos de equidade podem influenciar os preços do mercado junto com a receita do operador e os lucros dos participantes. As evidências se limitam à simulação descrita; o documento não relata testes em mercados reais nem demonstra como a estrutura funciona em outros tipos de mercado.

Ideias principais

• As taxas de marketplace podem moldar o comportamento dos traders, pois os participantes adaptam suas estratégias à tabela de taxas.
• A estrutura aprende em conjunto as estratégias dos traders e as taxas do marketplace.
• Um objetivo ponderado equilibra os lucros com resultados equitativos entre classes de traders.
• Em uma bolsa simulada, um peso maior atribuído à equidade de uma classe leva a tabela de taxas a favorecê-la.

Tags

# Equitable Marketplace Mechanism Design


# Equitable Marketplace Mechanism Design









We consider a trading marketplace that is populated by traders with diverse trading strategies and objectives. The marketplace allows the suppliers to list their goods and facilitates matching between buyers and sellers. In return, such a marketplace typically charges fees for facilitating trade. The goal of this work is to design a dynamic fee schedule for the marketplace that is equitable and profitable to all traders while being profitable to the marketplace at the same time (from charging fees). Since the traders adapt their strategies to the fee schedule, we present a reinforcement learning framework for simultaneously learning a marketplace fee schedule and trading strategies that adapt to this fee schedule using a weighted optimization objective of profits and equitability. We illustrate the use of the proposed approach in detail on a simulated stock exchange with different types of investors, specifically market makers and consumer investors. As we vary the equitability weights across different investor classes, we see that the learnt exchange fee schedule starts favoring the class of investors with the highest weight. We further discuss the observed insights from the simulated stock exchange in light of the general framework of equitable marketplace mechanism design.

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.