کثیر ایجنٹ مارکیٹ سمیولیٹرز کی تاریخی حالات سے تطبیق

خلاصہ

یہ مقالہ بتاتا ہے کہ کثیر ایجنٹ مارکیٹ سمیولیٹرز کو کیسے اس طرح ڈھالا جائے کہ ان کی تیار کردہ قیمت اور حجم کی سلسلہ وار قدریں تاریخی مارکیٹ کے حالات سے مشابہ ہوں۔ ایسے سمیولیٹرز اسٹریٹیجی کی جانچ میں مدد دیتے ہیں، اور مصنفین عام ادوار اور دباؤ کے حالات، بشمول COVID وبا کے آغاز کے آس پاس دیکھے گئے حالات، دونوں کی نمائندگی کی ضرورت پر زور دیتے ہیں۔

مجوزہ طریقہ پہلے سیلف اٹینشن GAN کے اندر ایک ڈسکریمینیٹر کو تربیت دیتا ہے تاکہ حقیقی اور سمیولیٹ کردہ قیمت و حجم کی سلسلہ وار قدروں میں فرق کیا جا سکے۔ پھر اس ڈسکریمینیٹر کو ایک اصلاحی فریم ورک میں استعمال کرکے معلوم ایجنٹ اقسام والے سمیولیٹر کو منتخب مارکیٹ منظرنامے کے مطابق ڈھالا جاتا ہے۔ مقالہ طریقے کی مؤثریت دکھانے والے تجربات رپورٹ کرتا ہے۔ دستیاب وضاحت میں کارکردگی کے پیمانے، بینچ مارک موازنہ، یا مخصوص سمیولیٹر اور ڈیٹا کی تفصیل نہیں، اس لیے یہ واضح نہیں ہوتا کہ تطبیق کا طریقہ مختلف مارکیٹوں یا حالات میں کس حد تک عمومی ہے۔

اہم خیالات

• یہ طریقہ قیمت اور حجم کے ڈیٹا میں تاریخی مارکیٹ حالات کو دوبارہ پیدا کرنے کے لیے کثیر ایجنٹ سمیولیٹرز کی تطبیق کرتا ہے۔
• سیلف اٹینشن GAN ڈسکریمینیٹر کو مشاہدہ شدہ سلسلہ وار قدروں اور سمیولیٹ کردہ قدروں میں فرق کرنے کی تربیت دی جاتی ہے۔
• اصلاح کا مرحلہ معلوم ایجنٹ اقسام والے سمیولیٹر کے پیرامیٹرز ڈھالنے کے لیے ڈسکریمینیٹر استعمال کرتا ہے۔
• مصنفین مؤثر تجرباتی نتائج رپورٹ کرتے ہیں، لیکن خلاصے میں پیمانے یا عمومی اطلاق کا تجزیہ موجود نہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔