CGAN mô phỏng thị trường tổng hợp có tính phản hồi

Tóm tắt

Bài nghiên cứu đề cập một hạn chế của backtest phát lại dữ liệu lịch sử: phương pháp này không mô hình hóa cách thị trường có thể phản ứng với hành động của chiến lược. Bài viết mô tả mô phỏng đa tác nhân như một cách biểu diễn tương tác giữa các nhà giao dịch dùng chiến lược khác nhau, qua đó cho phép kiểm thử các tác nhân giao dịch thử nghiệm trong thị trường mô phỏng. Một trở ngại thực tế là dữ liệu lịch sử chi tiết về từng tác nhân thường thuộc sở hữu riêng hoặc không có sẵn, khiến việc hiệu chỉnh thực tế trở nên khó khăn.

Phương pháp được đề xuất huấn luyện Conditional Generative Adversarial Networks trên dữ liệu lịch sử tổng hợp để tạo ra một tác nhân “thế giới” tổng hợp, tạo lệnh để phản hồi một tác nhân thử nghiệm. Bộ tạo được tích hợp với trình mô phỏng thị trường tài chính ABIDES. Các tác giả báo cáo nhiều mô phỏng, trong đó phương pháp của họ vượt trội hơn các nghiên cứu trước theo những đặc trưng cách điệu nhằm nắm bắt khả năng phản hồi và tính thực tế của thị trường. Phần mô tả không nêu các đặc trưng cụ thể, bộ dữ liệu, thị trường hay thước đo hiệu suất; riêng kết quả mô phỏng cũng không chứng minh rằng môi trường được tạo ra có thể dự đoán hành vi thị trường thực.

Ý chính

• Backtest phát lại dữ liệu lịch sử không mô hình hóa phản ứng của thị trường trước lệnh của chiến lược.
• Mô phỏng đa tác nhân có thể biểu diễn tương tác giữa các nhà giao dịch sử dụng chiến lược khác nhau.
• Phương pháp sử dụng mạng đối sinh tạo sinh có điều kiện, được huấn luyện trên dữ liệu lịch sử tổng hợp theo nhóm.
• Một tác nhân thế giới tổng hợp tạo lệnh để phản hồi tác nhân giao dịch thử nghiệm.
• Hệ thống được tích hợp vào ABIDES và được báo cáo là cải thiện các đặc trưng cách điệu liên quan đến tính thực tế.

Thẻ

# Towards Realistic Market Simulations: a Generative Adversarial Networks Approach


# 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.

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.