Калибровка мультиагентных симуляторов по историческим рыночным режимам

Сводка

В статье рассматривается настройка мультиагентных симуляторов рынка, чтобы создаваемые ими ряды цен и объемов соответствовали историческим рыночным условиям. Такие симуляторы помогают тестировать стратегии; авторы подчеркивают, что важно представлять как обычные периоды, так и стрессовые режимы, включая условия, наблюдавшиеся в начале пандемии COVID.

Предлагаемый подход сначала обучает дискриминатор в составе архитектуры с механизмом самовнимания GAN, чтобы различать реальные и смоделированные ряды цен и объёмов. Затем этот дискриминатор используется в рамках оптимизации для настройки симулятора с известными архетипами агентов под выбранный рыночный сценарий. В статье сообщается об экспериментах, демонстрирующих эффективность метода. В доступном описании нет показателей эффективности, сравнений с бенчмарками или подробностей о конкретном симуляторе и данных, поэтому оно не позволяет судить о том, насколько широко метод калибровки применим к разным рынкам и режимам.

Ключевые идеи

• Метод калибрует мультиагентные симуляторы для воспроизведения исторических рыночных режимов по данным цен и объемов.
• Дискриминатор с механизмом самовнимания GAN обучается отличать наблюдаемые временные ряды от симулированных.
• На этапе оптимизации дискриминатор используется для настройки параметров симулятора с известными типами агентов.
• Авторы сообщают об эффективных экспериментальных результатах, но в аннотации нет метрик или анализа применимости к другим условиям.

Теги

# 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.

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.