論文の概要: Towards Realistic Market Simulations: a Generative Adversarial Networks Approach

• arxiv url: http://arxiv.org/abs/2110.13287v1
• Date: Mon, 25 Oct 2021 22:01:07 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-28 08:33:45.874464
• Title: Towards Realistic Market Simulations: a Generative Adversarial Networks Approach
• Title（参考訳）: 現実的な市場シミュレーションに向けて--ジェネレーティブ・アドバイサル・ネットワークのアプローチ
• Authors: Andrea Coletta, Matteo Prata, Michele Conti, Emanuele Mercanti, Novella Bartolini, Aymeric Moulin, Svitlana Vyetrenko, Tucker Balch
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.381990157809543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: シミュレーション環境は、現実の市場に近づく前に取引戦略を評価するために、トレーディング会社や投資銀行によってますます使われている。 広く使われているバックテストのアプローチは、過去の市場シナリオを再現しながら実験戦略をシミュレートするものである。 残念ながら、このアプローチは実験エージェントの行動に対する市場の反応を捉えていない。 対照的にマルチエージェントシミュレーションは、金融市場におけるエージェントインタラクションをエミュレートする自然なボトムアップアプローチを示す。 金融市場トレーダーの人口を模倣する多様な戦略を持つトレーダーのプールを設置し、新たな実験的戦略の実行をテストすることができる。 個々のエージェントレベルの歴史的データは一般的にプロプライエタリであり、公共利用には利用できないため、取引戦略のテストに必要な現実性を得るために複数のマーケットエージェントを調整することは困難である。 この課題に対処するために,我々は,実集合的履歴データに基づいて訓練された条件付き生成逆ネットワーク(cgans)に基づく合成市場生成手法を提案する。 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。 私たちは合成市場ジェネレータを、金融市場のオープンソースシミュレータであるabideに統合します。 広範なシミュレーションにより,提案手法は,市場応答性とリアリズムを反映したスタイリッシュな事実という観点から,先行研究よりも優れていることを示す。

関連論文リスト

• Deep Reinforcement Learning Agents for Strategic Production Policies in Microeconomic Market Simulations [1.6499388997661122]
  複数の生産者と競合する市場で効果的な政策を得るためのDRLベースのアプローチを提案する。 我々のフレームワークは、静的およびランダムな戦略を一貫して上回るいくつかのシミュレーションに適応的な生産ポリシーを学習することを可能にする。 その結果,DRLで訓練したエージェントは生産水準を戦略的に調整し,長期利益率を最大化できることがわかった。
  論文  参考訳（メタデータ） (2024-10-27T18:38:05Z)
• 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)
• Simulating Financial Market via Large Language Model based Agents [22.36549613587476]
  ほとんどの経済理論は、金融市場の参加者が完全に合理的な個人であり、金融市場の人間の振る舞いをシミュレートするために数学的モデルを使用していると仮定している。 textbfAgentベースのtextbfSimulated textbfFinancial textbfMarket (ASFM) を提案する。
  論文  参考訳（メタデータ） (2024-06-28T14:54:12Z)
• Learning the Market: Sentiment-Based Ensemble Trading Agents [5.005352154557397]
  株価取引のための感情分析と深層強化学習アンサンブルアルゴリズムの統合について検討する。 当社のアプローチは、利益があり、堅牢で、リスク最小限の戦略をもたらすことを示しています。
  論文  参考訳（メタデータ） (2024-02-02T14:34:22Z)
• An Auction-based Marketplace for Model Trading in Federated Learning [54.79736037670377]
  フェデレートラーニング(FL)は、局所的な分散データを用いたトレーニングモデルにおいて、その効果がますます認識されている。 FLはモデルのマーケットプレースであり、顧客は買い手と売り手の両方として振る舞う。 本稿では,性能向上に基づく適切な価格設定を実現するため,オークションベースのソリューションを提案する。
  論文  参考訳（メタデータ） (2024-02-02T07:25:53Z)
• 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)
• Finding General Equilibria in Many-Agent Economic Simulations Using Deep Reinforcement Learning [72.23843557783533]
  本研究では,エージェント種別のメタゲームに対して,エプシロン・ナッシュ平衡である安定解を求めることができることを示す。 私たちのアプローチはより柔軟で、例えば市場クリア化のような非現実的な仮定は必要ありません。 当社のアプローチは、実際のビジネスサイクルモデル、DGEモデルの代表的なファミリー、100人の労働者消費者、10社の企業、税金と再分配を行う政府で実証しています。
  論文  参考訳（メタデータ） (2022-01-03T17:00:17Z)
• 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)
• Learning who is in the market from time series: market participant discovery through adversarial calibration of multi-agent simulators [0.0]
  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。
  論文  参考訳（メタデータ） (2021-08-02T06:53:37Z)
• 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)

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。