Hiệu chỉnh mô phỏng thị trường đa tác nhân theo các chế độ lịch sử

Tóm tắt

Bài viết nghiên cứu cách tinh chỉnh mô phỏng thị trường đa tác nhân để chuỗi giá và khối lượng do chúng tạo ra giống với điều kiện thị trường lịch sử. Các mô phỏng như vậy hỗ trợ kiểm thử chiến lược, và các tác giả nhấn mạnh nhu cầu thể hiện cả giai đoạn thông thường lẫn chế độ căng thẳng, bao gồm những điều kiện quan sát được quanh thời điểm bắt đầu đại dịch COVID.

Cách tiếp cận được đề xuất trước tiên huấn luyện một bộ phân biệt trong mô hình GAN tự chú ý để phân biệt chuỗi giá và khối lượng thực với chuỗi mô phỏng. Sau đó, bộ phân biệt này được dùng trong khung tối ưu hóa để điều chỉnh mô phỏng có các kiểu tác nhân đã biết, hướng đến một kịch bản thị trường được chọn. Bài viết báo cáo các thử nghiệm chứng minh hiệu quả của phương pháp. Mô tả hiện có không đưa ra thước đo hiệu quả, phép so sánh chuẩn hoặc chi tiết về mô phỏng và dữ liệu cụ thể, nên không xác lập được mức độ khái quát của phương pháp hiệu chỉnh qua các thị trường hay chế độ.

Ý chính

• Phương pháp hiệu chỉnh mô phỏng đa tác nhân để tái hiện các chế độ thị trường lịch sử trong dữ liệu giá và khối lượng.
• Bộ phân biệt GAN tự chú ý được huấn luyện để phân biệt chuỗi quan sát với chuỗi mô phỏng.
• Bước tối ưu hóa dùng bộ phân biệt để tinh chỉnh tham số của mô phỏng có các kiểu tác nhân đã biết.
• Các tác giả báo cáo kết quả thử nghiệm hiệu quả, nhưng phần tóm tắt không nêu thước đo hay phân tích khả năng khái quát.

Thẻ

# 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.

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.