Học tăng cường đa tác nhân chú trọng công bằng để thực hiện lệnh cổ phiếu

Tóm tắt

Bài nghiên cứu xem xét cách một bàn giao dịch nên thực hiện lệnh cho nhiều khách hàng cùng muốn giao dịch các tài sản giống nhau, trong khi quy mô lệnh, thời hạn và mức chấp nhận rủi ro của họ khác nhau. Các lệnh khớp trước có thể làm dịch chuyển giá, nên tối ưu hóa tổng doanh thu giao dịch có thể gây bất lợi cho khách hàng có lệnh được thực hiện sau. Khung được đề xuất dùng học tăng cường đa tác nhân để xây dựng chiến lược riêng cho từng khách hàng, đồng thời cân bằng kết quả của họ trong cả nhóm.

Chỉ số Gini tổng quát tổng hợp doanh thu của khách hàng và tạo cách kiểm soát mục tiêu công bằng song song với việc tối ưu hóa doanh thu. Các tác giả báo cáo bằng chứng thực nghiệm cho thấy cách tiếp cận này cải thiện tính công bằng trong khi duy trì tối ưu hóa doanh thu, đồng thời cho rằng học tăng cường có thể điều chỉnh chiến lược theo điều kiện thị trường thay đổi. Mô tả được cung cấp không nêu bộ dữ liệu, thiết lập thử nghiệm, kết quả số hay chi tiết so sánh, nên chỉ riêng văn bản này chưa thể đánh giá độ tin cậy và khả năng khái quát của tuyên bố thực nghiệm.

Ý chính

• Việc thực hiện lệnh cho khách hàng có thể tạo xung đột giữa tối đa hóa tổng doanh thu và đối xử công bằng với khách hàng.
• Các lệnh đi trước có thể ảnh hưởng đến giá và làm tăng chi phí thực hiện cho các lệnh sau.
• Khung này dùng học tăng cường đa tác nhân để học các chiến lược thực hiện lệnh riêng cho từng khách hàng.
• Chỉ số Gini tổng quát đưa tính công bằng trong phân phối vào cách tổng hợp doanh thu.
• Tài liệu tuyên bố cải thiện tính công bằng trong khi duy trì tối ưu hóa doanh thu, nhưng cung cấp ít chi tiết để đánh giá bằng chứng.

Thẻ

# Fairness in Multi-agent Reinforcement Learning for Stock Trading


# Fairness in Multi-agent Reinforcement Learning for Stock Trading









Unfair stock trading strategies have been shown to be one of the most negative perceptions that customers can have concerning trading and may result in long-term losses for a company. Investment banks usually place trading orders for multiple clients with the same target assets but different order sizes and diverse requirements such as time frame and risk aversion level, thereby total earning and individual earning cannot be optimized at the same time. Orders executed earlier would affect the market price level, so late execution usually means additional implementation cost. In this paper, we propose a novel scheme that utilizes multi-agent reinforcement learning systems to derive stock trading strategies for all clients which keep a balance between revenue and fairness. First, we demonstrate that Reinforcement learning (RL) is able to learn from experience and adapt the trading strategies to the complex market environment. Secondly, we show that the Multi-agent RL system allows developing trading strategies for all clients individually, thus optimizing individual revenue. Thirdly, we use the Generalized Gini Index (GGI) aggregation function to control the fairness level of the revenue across all clients. Lastly, we empirically demonstrate the superiority of the novel scheme in improving fairness meanwhile maintaining optimization of revenue.

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.