Fugu-MT 論文翻訳(概要): Deep Reinforcement Learning for Market Making Under a Hawkes Process-Based Limit Order Book Model

論文の概要: Deep Reinforcement Learning for Market Making Under a Hawkes Process-Based Limit Order Book Model

arxiv url: http://arxiv.org/abs/2207.09951v1
Date: Wed, 20 Jul 2022 14:54:40 GMT
ステータス: 処理完了
システム内更新日: 2022-07-21 14:25:56.099284
Title: Deep Reinforcement Learning for Market Making Under a Hawkes Process-Based Limit Order Book Model
Title（参考訳）: ホークスプロセスに基づく制限順序ブックモデルによる市場形成のための深層強化学習
Authors: Bruno Ga\v{s}perov, Zvonko Kostanj\v{c}ar
Abstract要約: 深い強化学習に基づくコントローラは、市場形成制御を得るために、弱い一貫した多変量ホークスプロセスベースのリミットオーダーブックシミュレーターで訓練される。提案手法はモンテカルロのバックテストの利点を活用し、弱い一貫したリミテッドオーダーブックモデルの下での市場形成の研究に寄与する。
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: The stochastic control problem of optimal market making is among the central problems in quantitative finance. In this paper, a deep reinforcement learning-based controller is trained on a weakly consistent, multivariate Hawkes process-based limit order book simulator to obtain market making controls. The proposed approach leverages the advantages of Monte Carlo backtesting and contributes to the line of research on market making under weakly consistent limit order book models. The ensuing deep reinforcement learning controller is compared to multiple market making benchmarks, with the results indicating its superior performance with respect to various risk-reward metrics, even under significant transaction costs.
Abstract（参考訳）: 最適市場形成の確率的制御問題は、量的金融の中心的な問題の一つである。本稿では,多変量ホークスプロセスに基づく制限順序ブックシミュレータを用いて,深い強化学習に基づく制御を訓練し,市場形成制御を実現する。提案手法はモンテカルロのバックテストの利点を活用し、弱い一貫したリミテッドオーダーブックモデルの下での市場形成の研究に寄与する。その後の深層強化学習コントローラは、複数のマーケットメーキングベンチマークと比較され、その結果、重要な取引コスト下でも、様々なリスク回避指標に対して優れたパフォーマンスを示す。

関連論文リスト

Step-by-Step Reasoning for Math Problems via Twisted Sequential Monte Carlo [55.452453947359736]
Twisted Sequential Monte Carlo(TSMC)に基づく新しい検証手法を提案する。 TSMCを大規模言語モデルに適用し、部分解に対する将来的な報酬を推定する。このアプローチは、ステップワイドなヒューマンアノテーションを必要としない、より直接的なトレーニングターゲットをもたらす。
論文参考訳（メタデータ） (2024-10-02T18:17:54Z)
QADQN: Quantum Attention Deep Q-Network for Financial Market Prediction [6.3671741591443105]
本稿では量子注意深度Q-Network(QADQN)アプローチを導入し,量子強化学習を通じてこれらの課題に対処する。我々は、S&P500を含む主要市場指標の履歴データに基づいて、QADQNエージェントのパフォーマンスを評価する。我々の実証結果はQADQNの優れた性能を示し、より優れたリスク調整リターンを実現した。
論文参考訳（メタデータ） (2024-08-06T10:41:46Z)
MacroHFT: Memory Augmented Context-aware Reinforcement Learning On High Frequency Trading [20.3106468936159]
強化学習(RL)は、高周波取引(HFT)のもう一つの魅力あるアプローチとなっている。我々は,新しいメモリ拡張コンテキスト認識強化学習手法であるOn HFT, empha.k. MacroHFTを提案する。マイクロレベルのトレーディングタスクにおいて,MacroHFTは最先端のパフォーマンスを実現することができることを示す。
論文参考訳（メタデータ） (2024-06-20T17:48:24Z)
Large-Scale Contextual Market Equilibrium Computation through Deep Learning [10.286961524745966]
本稿では,市場均衡を近似する深層学習方式であるMarketFCNetを紹介する。 MarketFCNetは,既存の手法と比較して,競争性能と実行時間を大幅に低下させることを示す。
論文参考訳（メタデータ） (2024-06-11T03:36:00Z)
Diffusion Variational Autoencoder for Tackling Stochasticity in Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文参考訳（メタデータ） (2023-08-18T16:21:15Z)
Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
論文参考訳（メタデータ） (2022-10-22T14:47:11Z)
Quantum computational finance: martingale asset pricing for incomplete markets [69.73491758935712]
金融の価格問題に様々な量子技術を適用することができることを示す。従来の研究と異なる3つの方法について議論する。
論文参考訳（メタデータ） (2022-09-19T09:22:01Z)
Deep Reinforcement Learning Approach for Trading Automation in The Stock Market [0.0]
本稿では,Deep Reinforcement Learning (DRL)アルゴリズムを用いて,株式市場における収益性取引を生成するモデルを提案する。我々は、市場が課す制約を考慮して、部分的に観測されたマルコフ決定プロセス(POMDP)モデルとして取引問題を定式化する。次に, Twin Delayed Deep Deterministic Policy Gradient (TD3) アルゴリズムを用いて, 2.68 Sharpe Ratio を未知のデータセットに報告し, 定式化した POMDP 問題を解く。
論文参考訳（メタデータ） (2022-07-05T11:34:29Z)
Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文参考訳（メタデータ） (2022-03-07T18:59:54Z)
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)
Empirical Study of Market Impact Conditional on Order-Flow Imbalance [0.0]
署名された注文フローに対して,注文フローの不均衡の増加に伴い,価格への影響は線形に増大することを示す。さらに,注文フローにサインされた市場への影響を予測するために,機械学習アルゴリズムを実装した。この結果から,機械学習モデルを用いて財務変数を推定できることが示唆された。
論文参考訳（メタデータ） (2020-04-17T14:58:29Z)

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。