CGAN для симуляции рынка, реагирующей на действия трейдера

Сводка

В статье рассматривается ограничение бэктестов на исторических данных: они не моделируют возможную реакцию рынка на действия стратегии. В ней описывается мультиагентное моделирование как способ представить взаимодействия трейдеров с разными стратегиями, чтобы тестировать экспериментальных торговых агентов на симулируемом рынке. Практическое препятствие состоит в том, что подробные исторические данные об отдельных агентах обычно являются закрытыми или недоступны, что затрудняет реалистичную калибровку.

В предложенном подходе условные генеративно-состязательные сети обучаются на агрегированных исторических данных, чтобы создать синтетического агента «мира», который генерирует заявки в ответ на экспериментального агента. Генератор интегрирован с финансовым симулятором рынка ABIDES. Авторы сообщают о масштабных симуляциях, в которых их подход превосходит предыдущие работы по стилизованным фактам, призванным отражать реактивность и реалистичность рынка. В описании не указаны конкретные факты, наборы данных, рынки или показатели эффективности; одни лишь результаты симуляций не доказывают, что сгенерированная среда предсказывает поведение рынка при реальной торговле.

Ключевые идеи

• Бэктесты на исторических данных не моделируют реакцию рынка на заявки стратегии.
• Мультиагентное моделирование позволяет представить взаимодействия трейдеров с разными стратегиями.
• В методе используются условные генеративно-состязательные сети, обученные на агрегированных исторических данных.
• Синтетический агент, моделирующий рыночную среду, генерирует заявки в ответ на действия экспериментального торгового агента.
• Система интегрирована в ABIDES; сообщается об улучшении стилизованных фактов, связанных с реалистичностью.

Теги

# 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.

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.