قیمت کے اثر کو مدنظر رکھ کر فروخت کے لیے آف لائن تقویتی لرننگ

خلاصہ

دستاویز اس مسئلے کا مطالعہ کرتی ہے کہ جب ٹریڈز عارضی قیمت اثر پیدا کریں اور اثر کا کرنل نامعلوم ہو تو ٹریڈر خطرناک اثاثہ کیسے فروخت کر سکتا ہے۔ یہ باہم مربوط قیمت راستوں، تجارتی اشاروں اور میٹا آرڈرز والے جامد ڈیٹا سے کرنل، یا پروپیگیٹر، کا غیر پیرامیٹرک تخمینہ لگانے کی تجویز دیتی ہے۔ تخمینے کی درستگی ایک ایسے پیمانے سے ناپی جاتی ہے جو دستیاب ڈیٹا سیٹ پر واضح طور پر منحصر ہے۔

صرف تخمینہ شدہ کرنل پر مبنی لالچی عمل درآمد حکمتِ عملی کی لاگت ارادے سے زیادہ ہو سکتی ہے۔ مصنفین اس کی وجہ حکمتِ عملی اور تخمینہ کار کے درمیان مصنوعی باہمی تعلق، نیز متعصب لاگت فنکشن سے جڑی غیر یقینی کو قرار دیتے ہیں۔ ان کا تجویز کردہ آف لائن تقویتی لرننگ طریقہ تخمینے کی غیر یقینی کو شامل کرنے والا محتاط نقصان اور اس تعلق کو ختم کرنے کے لیے بنایا گیا آپٹمائزر استعمال کرتا ہے۔ وہ اصل کرنل کے درست علم کے بغیر عمل درآمد کی لاگت کی مجانبی طور پر بہترین حد اخذ کرتے ہیں اور تخمینہ کار اور حکمتِ عملی کی تائید میں عددی تجربات رپورٹ کرتے ہیں۔ اقتباس تجربات کی تفصیل یا لائیو ٹریڈنگ میں عملی کارکردگی کی مقدار نہیں بتاتا۔

اہم خیالات

• یہ طریقہ باہم مربوط راستوں اور تجارتی سرگرمی والے جامد ڈیٹا سے عارضی قیمت اثر کا کرنل تخمینہ کرتا ہے۔
• تخمینے پر مبنی لالچی حکمتِ عملی کم تر ہو سکتی ہے کیونکہ حکمتِ عملی اور تخمینہ کار میں مصنوعی تعلق ہوتا ہے۔
• محتاط نقصان تخمینہ شدہ قیمت اثر کے کرنل کی غیر یقینی کو شامل کرتا ہے۔
• تجویز کردہ آف لائن تقویتی لرننگ طریقہ کرنل کے درست علم کے بغیر عمل درآمد کی لاگت کی مجانبی حد اخذ کرتا ہے۔
• عددی تجربات رپورٹ ہوئے ہیں، مگر اقتباس لائیو ٹریڈنگ کے نتائج نہیں دیتا۔

ٹیگز

# An Offline Learning Approach to Propagator Models


# An Offline Learning Approach to Propagator Models









We consider an offline learning problem for an agent who first estimates an unknown price impact kernel from a static dataset, and then designs strategies to liquidate a risky asset while creating transient price impact. We propose a novel approach for a nonparametric estimation of the propagator from a dataset containing correlated price trajectories, trading signals and metaorders. We quantify the accuracy of the estimated propagator using a metric which depends explicitly on the dataset. We show that a trader who tries to minimise her execution costs by using a greedy strategy purely based on the estimated propagator will encounter suboptimality due to so-called spurious correlation between the trading strategy and the estimator and due to intrinsic uncertainty resulting from a biased cost functional. By adopting an offline reinforcement learning approach, we introduce a pessimistic loss functional taking the uncertainty of the estimated propagator into account, with an optimiser which eliminates the spurious correlation, and derive an asymptotically optimal bound on the execution costs even without precise information on the true propagator. Numerical experiments are included to demonstrate the effectiveness of the proposed propagator estimator and the pessimistic trading strategy.

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۔