論文の概要: Learning who is in the market from time series: market participant
discovery through adversarial calibration of multi-agent simulators
- arxiv url: http://arxiv.org/abs/2108.00664v1
- Date: Mon, 2 Aug 2021 06:53:37 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-03 14:53:59.565876
- Title: Learning who is in the market from time series: market participant
discovery through adversarial calibration of multi-agent simulators
- Title（参考訳）: 時系列から市場にいる学習者:マルチエージェントシミュレータの逆校正による市場参加者発見
- Authors: Victor Storchan, Svitlana Vyetrenko, Tucker Balch
- Abstract要約: 電子取引市場では、価格またはボリューム時系列のみが直接観測可能である。
本研究では,実物と偽物とを区別できる識別器を2段階に分けて学習する手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: 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.
- Abstract（参考訳）: 電子取引市場では、複数の市場参加者の相互作用から生じる価格やボリュームの時系列だけが直接観測可能であることが多い。
リアルタイム取引に展開する前に取引戦略をテストするため、マルチエージェント市場環境は、シミュレーションエージェントの相互作用による時系列が歴史的に類似するように調整されている。
適切なテストを確保するためには、通常の市場日を示すシナリオと、(新型コロナウイルスのパンデミックの始まりで最近観測された)ストレスのある市場の両方を含む、さまざまな市場シナリオで取引戦略をテストする必要がある。
本稿では,マルチエージェント・シミュレーターパラメータ・キャリブレーションの問題に対処し,異なる市場体制のシミュレーターキャプチャー特性を実現する。
我々は,ganの一部として「リアル」価格と「フェイク」価格とボリューム時系列とを自己認識で区別できる判別器を訓練する新しい二段階法を提案し,市場シナリオを表現するために既知のエージェントアーチタイプを持つシミュレータモデルのパラメータをチューニングするための最適化フレームワークの中で利用する。
その結果,本手法の有効性を示す実験結果を得た。
関連論文リスト
- When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。
StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。
AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
論文 参考訳（メタデータ） (2024-07-15T06:49:30Z) - A Network Simulation of OTC Markets with Multiple Agents [3.8944986367855963]
我々は、取引が市場メーカによってのみ仲介される、オーバー・ザ・カウンタ(OTC)金融市場をシミュレートするための新しいアプローチを提案する。
本稿では,ネットワークモデルを用いて市場構造が価格変動に与える影響について考察する。
論文 参考訳（メタデータ） (2024-05-03T20:45:00Z) - Learning to simulate realistic limit order book markets from data as a
World Agent [1.1470070927586016]
マルチエージェント市場シミュレータは通常、実際の市場をエミュレートするために慎重なキャリブレーションを必要とする。
キャリブレーションの少ないシミュレータは、誤解を招く結果につながる可能性がある。
本稿では,限定注文書市場を正確にエミュレートする世界モデルシミュレータを提案する。
論文 参考訳（メタデータ） (2022-09-26T09:17:11Z) - CTMSTOU driven markets: simulated environment for regime-awareness in
trading policies [0.0]
本稿では,市場参加者が認識する基本的な価値をモデル化する新たなプロセスを紹介する。
我々は、取引業者に対する体制意識の概念を定義し、注文実行問題の文脈における異なる注文配置戦略の研究を通して、その重要性を説明する。
論文 参考訳（メタデータ） (2022-02-02T10:27:12Z) - Multi-Asset Spot and Option Market Simulation [52.77024349608834]
正規化フローに基づく1つの基盤となる1つのマーケットシミュレータを現実的に構築する。
本研究では, 正規化流れの条件付き可逆性を活用し, 独立シミュレータの連立分布をキャリブレーションするスケーラブルな手法を提案する。
論文 参考訳（メタデータ） (2021-12-13T17:34:28Z) - Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。
模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
論文 参考訳（メタデータ） (2021-12-08T14:55:21Z) - Efficient Calibration of Multi-Agent Market Simulators from Time Series
with Bayesian Optimization [2.6749843984691672]
マルチエージェント市場シミュレーションは、下流の機械学習や強化学習タスクのための環境を作成するために一般的に使用される。
本稿では,過去の時系列観測からマルチエージェント市場シミュレータパラメータを校正するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-12-03T22:57:46Z) - ARISE: ApeRIodic SEmi-parametric Process for Efficient Markets without
Periodogram and Gaussianity Assumptions [91.3755431537592]
我々は、効率的な市場を調査するためのApeRI-miodic(ARISE)プロセスを提案する。
ARISEプロセスは、いくつかの既知のプロセスの無限サムとして定式化され、周期スペクトル推定を用いる。
実際に,実世界の市場の効率性を明らかにするために,ARISE関数を適用した。
論文 参考訳（メタデータ） (2021-11-08T03:36:06Z) - Towards Realistic Market Simulations: a Generative Adversarial Networks
Approach [2.381990157809543]
本研究では,実データに基づいて学習したコンディショナル・ジェネレーティブ・アドバイザリアル・ネットワーク(CGAN)に基づくマーケットジェネレータを提案する。
CGANベースの"ワールド"エージェントは、実験エージェントに応答して意味のある順序を生成することができる。
論文 参考訳（メタデータ） (2021-10-25T22:01:07Z) - OSOUM Framework for Trading Data Research [79.0383470835073]
私たちは、私たちの知る限り、最初のオープンソースのシミュレーションプラットフォームであるOpen SOUrce Market Simulator(OSOUM)を提供して、トレーディング市場、特にデータ市場を分析します。
我々は、購入に利用可能なさまざまなデータセットを所有する売り手と、購入に有効な適切なデータセットを検索する買い手という2つのタイプのエージェントからなる、特定のデータ市場モデルを記述し、実装する。
データ市場を扱うための商用フレームワークはすでに存在していますが、購入者および販売者の両方が(データ)市場に参加することの可能な振る舞いをシミュレートするための、自由で広範なエンドツーエンドの研究ツールを提供しています。
論文 参考訳（メタデータ） (2021-02-18T09:20:26Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。