Độ phức tạp mô hình AI, giao dịch và sự phát triển của hiệu quả thị trường

Tóm tắt

Bài báo xem xét cách các hệ thống AI chi phí thấp, có khả năng xấp xỉ quan hệ phức tạp, có thể thay đổi cách chiến lược giao dịch đưa thông tin vào giá. Bài báo xây dựng khái niệm hiệu quả thị trường qua các quá trình giá cân bằng, dùng niềm tin của nhà đầu tư cùng độ phức tạp của mô hình và chiến lược được tối ưu hóa để phân biệt các mức độ hiệu quả.

Các tác giả thảo luận khả năng tiếp cận rộng hơn với các mô hình xấp xỉ mạnh hơn có thể khiến nhà giao dịch dùng mô hình kém hiệu quả khó khai thác cơ hội sinh lời hơn. Họ cũng cho rằng các cách giải thích dựa trên cân bằng chưa đủ để mô tả sự thay đổi hiệu quả trong thị trường thích ứng có người tham gia tương tác, đồng thời xác định động thái ngoài cân bằng là một thách thức. Văn bản được cung cấp mang tính khái niệm: trình bày khung và vấn đề nghiên cứu nhưng không có kết quả thực nghiệm, quy tắc giao dịch cụ thể hay bằng chứng rằng việc áp dụng AI tất yếu làm thị trường hiệu quả hơn. Kết luận phụ thuộc vào các điều kiện đã nêu và cách biểu diễn mô hình, niềm tin và sự thích ứng.

Ý chính

• Chiến lược giao dịch truyền thông tin vào giá, liên kết chất lượng mô hình với hiệu quả thị trường.
• Mô hình xấp xỉ AI chi phí thấp có thể cho phép xây dựng chiến lược phức tạp hơn và làm giảm cơ hội của nhà giao dịch kém hiệu quả.
• Bài báo dùng quá trình giá cân bằng và niềm tin nhà đầu tư để phân biệt các mức độ hiệu quả thị trường.
• Thị trường thích ứng nhiều tác nhân có thể rời khỏi trạng thái cân bằng, tạo thách thức cho phân tích hiệu quả tiêu chuẩn.
• Mô tả được cung cấp trình bày thảo luận khái niệm, không có phát hiện thực nghiệm hay chiến lược giao dịch cụ thể.

Thẻ

# How low-cost AI universal approximators reshape market efficiency


# How low-cost AI universal approximators reshape market efficiency









The efficient market hypothesis (EMH) famously stated that prices fully reflect the information available to traders. This critically depends on the transfer of information into prices through trading strategies. Traders optimise their strategy with models of increasing complexity that identify the relationship between information and profitable trades more and more accurately. Under specific conditions, the increased availability of low-cost universal approximators, such as AI systems, should be naturally pushing towards more advanced trading strategies, potentially making it harder and harder for inefficient traders to profit. In this paper, we leverage on a generalised notion of market efficiency, based on the definition of an equilibrium price process, that allows us to distinguish different levels of model complexity through investors' beliefs, and trading strategies optimisation, and discuss the relationship between AI-powered trading and the time-evolution of market efficiency. Finally, we outline the need for and the challenge of describing out-of-equilibrium market dynamics in an adaptive multi-agent environment.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.