跳至正文
返回文库全部文档

AI模型复杂度、交易与市场效率演变

文章 arXiv papers · 作者: Paolo Barucca et al.
阅读原文

总结

本文探讨成本低廉、能够近似复杂关系的AI系统，如何改变交易策略将信息融入价格的方式。本文通过均衡价格过程来分析市场效率，并依据投资者的信念、模型复杂度和优化策略，区分不同程度的市场效率。

作者讨论了更广泛地使用能力更强的近似模型，可能会使模型效果较差的交易者更难利用盈利机会。他们还指出，仅凭均衡框架不足以描述参与者相互作用的自适应市场中效率如何变化，并将非均衡动态视为一项挑战。所提供文本属于概念性讨论：它勾勒了一个框架和研究问题，但没有给出实证结果、具体交易规则，也没有证据表明采用AI必然会提高市场效率。其结论取决于所述条件，以及模型、信念和适应过程的具体表示方式。

核心观点

  • 交易策略将信息传递到价格中，因此模型质量与市场效率相关。
  • 低成本的AI近似模型可能支持更复杂的策略，并减少模型效果较差的交易者可利用的机会。
  • 论文利用均衡价格过程和投资者信念区分不同程度的市场效率。
  • 自适应的多智能体市场可能偏离均衡，给标准效率分析带来挑战。
  • 所提供的描述属于概念性讨论，未提供实证发现或具体交易策略。

标签

机器学习市场微观结构统计学
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。