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
- Electricity Price Forecasting in the Irish Balancing Market [0.0]
この研究は、広く研究されている日頭市場で成功した様々な価格予測手法をアイルランドのバランス市場に適用する。
異なるトレーニングサイズの影響を調査するフレームワークを用いて,統計モデル,機械学習モデル,ディープラーニングモデルを比較した。
大規模な数値的な研究により、日頭市場における良いパフォーマンスのモデルはバランスの取れないモデルではうまく機能しないことが示された。
論文 参考訳(メタデータ) (2024-02-09T15:18:00Z) - 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) - MARLIM: Multi-Agent Reinforcement Learning for Inventory Management [1.1470070927586016]
本稿では、在庫管理問題に対処するため、MARLIMと呼ばれる新しい強化学習フレームワークを提案する。
このコンテキスト内では、コントローラは単一のエージェントまたは複数のエージェントを介して協調的に開発される。
実データに関する数値実験は、従来のベースラインよりも強化学習法の利点を実証している。
論文 参考訳(メタデータ) (2023-08-03T09:31:45Z) - 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) - Quantum advantage for multi-option portfolio pricing and valuation
adjustments [0.0]
本稿では,デリバティブポートフォリオの評価において重要な役割を担っているCVA(Credit Valuation Adjustments)の問題について検討する。
分散の異なる尺度でCVAを近似するために,統計的サンプリングプロセスを高速化する量子アルゴリズムを提案する。
論文 参考訳(メタデータ) (2022-03-09T18:14:54Z) - 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) - Softmax with Regularization: Better Value Estimation in Multi-Agent
Reinforcement Learning [72.28520951105207]
q$-learningの過大評価は、シングルエージェント強化学習で広く研究されている重要な問題である。
ベースラインから逸脱する大きな関節動作値をペナライズする,新たな正規化ベースの更新方式を提案する。
本手法は,StarCraft IIマイクロマネジメントの課題に対して,一貫した性能向上を実現する。
論文 参考訳(メタデータ) (2021-03-22T14:18:39Z) - 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。
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。