جواب دہ مصنوعی مارکیٹ سیمولیشن کے لیے سی جی اے این

مضمون arXiv papers · مصنف: Andrea Coletta et al.

خلاصہ

یہ مقالہ تاریخی ری پلے بیک ٹیسٹس کی ایک حد پر بات کرتا ہے: وہ یہ ماڈل نہیں کرتے کہ مارکیٹ کسی اسٹریٹیجی کے اقدامات پر کیسے ردعمل دے سکتی ہے۔ اس میں مختلف اسٹریٹیجیز والے ٹریڈرز کے باہمی تعاملات دکھانے کے لیے کثیر ایجنٹ سیمولیشن بیان کی گئی ہے، تاکہ تجرباتی ٹریڈنگ ایجنٹس کو مصنوعی مارکیٹ میں آزمایا جا سکے۔ ایک عملی رکاوٹ یہ ہے کہ انفرادی ایجنٹس کے بارے میں تفصیلی تاریخی ڈیٹا عموماً ملکیتی ہوتا ہے یا دستیاب نہیں، جس سے حقیقت پسندانہ کیلیبریشن مشکل ہو جاتی ہے۔

مجوزہ طریقہ مجموعی تاریخی ڈیٹا پر کنڈیشنل جنریٹو ایڈورسریل نیٹ ورکس کو تربیت دے کر ایک مصنوعی ”دنیا“ ایجنٹ بناتا ہے، جو تجرباتی ایجنٹ کے جواب میں آرڈرز پیدا کرتا ہے۔ جنریٹر کو ABIDES مالیاتی مارکیٹ سیمولیٹر میں شامل کیا گیا ہے۔ مصنفین وسیع سیمولیشنز رپورٹ کرتے ہیں جن میں ان کا طریقہ مارکیٹ کے ردعمل اور حقیقت پسندی کو ظاہر کرنے کے لیے بنائے گئے طرزوار حقائق پر سابقہ کام سے بہتر کارکردگی دکھاتا ہے۔ بیان میں مخصوص حقائق، ڈیٹاسیٹس، منڈیوں یا کارکردگی کے پیمانوں کی نشاندہی نہیں، اور صرف سیمولیشن کے نتائج یہ ثابت نہیں کرتے کہ تیار کردہ ماحول لائیو مارکیٹ کے رویے کی پیش گوئی کرتا ہے۔

اہم خیالات

تاریخی ری پلے بیک ٹیسٹس، اسٹریٹیجی کے آرڈرز پر مارکیٹ کے ردعمل کو ماڈل نہیں کرتے۔
کثیر ایجنٹ سیمولیشن مختلف اسٹریٹیجیز والے ٹریڈرز کے باہمی تعاملات دکھا سکتی ہے۔
یہ طریقہ مجموعی تاریخی ڈیٹا پر تربیت یافتہ کنڈیشنل جنریٹو ایڈورسریل نیٹ ورکس استعمال کرتا ہے۔
ایک مصنوعی دنیا ایجنٹ تجرباتی ٹریڈنگ ایجنٹ کے جواب میں آرڈرز تیار کرتا ہے۔
یہ نظام ABIDES میں شامل ہے اور حقیقت پسندی سے متعلق طرزوار حقائق میں بہتری رپورٹ کرتا ہے۔

ٹیگز

مشین لرننگ بیک ٹیسٹنگ مارکیٹ مائیکرو اسٹرکچر آرڈر پر عمل درآمد شماریات

مکمل متن

# 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.

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۔