Калибровка XGBoost для внутридневного рынка

Статья arXiv papers · Автор: Kang Gao et al.

Сводка

В статье представлен метод XGB-Chiarella для калибровки расширенной агентной модели рынка Chiarella, воспроизводящей внутридневную динамику цен. В симулируемом рынке действуют фундаментальные, импульсные и шумовые трейдеры. Вместо оценки параметров модели исходным методом максимизации ожидания используется суррогат XGBoost — эффективный заместитель агентной симуляции.

Авторы сообщают, что суррогат приближает результаты симуляции, а его калибровка лучше согласуется с историческими стилизованными фактами, чем исходный метод оценки параметров. Они также сообщают о генерации реалистичных ценовых рядов акций с трех бирж; на изученном минутном масштабе достаточно одного агента на категорию трейдеров. Эти выводы относятся к описанной в статье модели и калибровке; в кратком описании нет подробных метрик проверки или свидетельств того, что сгенерированные цены прогнозируют будущую доходность. Авторы предполагают, что эта схема может помочь специалистам изучать формирование цен и управление рисками.

Ключевые идеи

Расширенная модель Chiarella представляет фундаментальных, импульсных и шумовых трейдеров.
Для калибровки агентной симуляции используется суррогат XGBoost.
В статье сообщается о лучшем соответствии историческим стилизованным фактам по сравнению с исходным методом оценки.
Модель применяется к акциям с трех бирж на минутном временном масштабе.
Сообщения о реалистичности цен сами по себе не подтверждают прогнозную ценность для торговли.

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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.

Калибровка агентной внутридневной модели рынка с помощью XGBoost

Сводка

Ключевые идеи

Теги