論文の概要: Post trade allocation: how much are bunched orders costing your performance?

• arxiv url: http://arxiv.org/abs/2210.15499v1
• Date: Thu, 13 Oct 2022 20:31:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 12:11:23.710946
• Title: Post trade allocation: how much are bunched orders costing your performance?
• Title（参考訳）: 取引後の割り当て: 注文の積み重ねがパフォーマンスを犠牲にしていますか?
• Authors: Ali Hirsa and Massoud Heidari
• Abstract要約: 本論文は,貿易割当リスクに対する最初の体系的対応である。 私たちは、口座間のリターンのばらつきの理由を明かした。 口座数や取引規模によらず、均一な割当を支援するソリューションを提案する。
• 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: Individual trade orders are often bunched into a block order for processing efficiency, where in post execution, they are allocated into individual accounts. Since Regulators have not mandated any specific post trade allocation practice or methodology, entities try to rigorously follow internal policies and procedures to meet the minimum Regulatory ask of being procedurally fair and equitable. However, as many have found over the years, there is no simple solution for post trade allocation between accounts that results in a uniform distribution of returns. Furthermore, in many instances, the divergences between returns do not dissipate with more transactions, and tend to increase in some cases. This paper is the first systematic treatment of trade allocation risk. We shed light on the reasons for return divergence among accounts, and we present a solution that supports uniform allocation of return irrespective of number of accounts and trade sizes.
• Abstract（参考訳）: 個々の取引注文は、処理効率のためにブロックオーダーにまとめられ、実行後、個々のアカウントに割り当てられる。 規制当局は、特定の貿易割当の慣行や方法論を義務付けていないため、組織は、手続き的に公平で公平であるという最小限の規制要求を満たすための内部方針及び手続きを厳格に遵守しようとする。 しかし、長年にわたって多くの人が見てきたように、口座間での取引の割り当てが統一的なリターン分配につながるという単純な解決策は存在しない。 さらに、多くの場合、リターン間の相違はより多くのトランザクションで散逸せず、場合によっては増加する傾向がある。 本論文は,貿易割当リスクに対する最初の体系的対応である。 我々は、アカウント間の再帰の発散の理由を説明し、口座数や取引規模に関係なく、返却の均一な割当をサポートするソリューションを提案する。

関連論文リスト

• A Random Forest approach to detect and identify Unlawful Insider Trading [0.0]
  本研究では、不正なインサイダー取引を検出するために、エンドツーエンドの自動ステート・オブ・アーティファクト手法を実装した。 我々の最高の業績モデルは96.43パーセントの取引を正確に分類した。 分類タスクに加え、モデル生成したGini Impurityベースの特徴ランキングでは、置換値に基づくオーナシップとガバナンス関連の特徴が重要な役割を担っている。
  論文  参考訳（メタデータ） (2024-11-09T18:01:19Z)
• Autoregressive Policy Optimization for Constrained Allocation Tasks [4.316765170255551]
  本稿では,各エンティティのアロケーションを逐次サンプリングする自己回帰プロセスに基づく制約付きアロケーションタスクの新しい手法を提案する。 さらに, 逐次サンプリングによる初期バイアスに対処する新しい脱バイアス機構を提案する。
  論文  参考訳（メタデータ） (2024-09-27T13:27:15Z)
• Beyond Expected Return: Accounting for Policy Reproducibility when Evaluating Reinforcement Learning Algorithms [9.649114720478872]
  強化学習(Reinforcement Learning, RL)における多くの応用は、環境にノイズオリティが存在する。 これらの不確実性は、ひとつのロールアウトから別のロールアウトまで、まったく同じポリシーを別々に実行します。 RL の一般的な評価手順は、その分布の拡散を考慮しない期待された戻り値のみを用いて、連続した戻り値分布を要約する。 我々の研究は、この拡散をポリシーとして定義している: 何度もロールアウトするときに同様のパフォーマンスを得るポリシーの能力は、いくつかの現実世界のアプリケーションにおいて重要な特性である。
  論文  参考訳（メタデータ） (2023-12-12T11:22:31Z)
• AlberDICE: Addressing Out-Of-Distribution Joint Actions in Offline Multi-Agent RL via Alternating Stationary Distribution Correction Estimation [65.4532392602682]
  オフライン強化学習(RL)の主な課題の1つは、データ収集ポリシーから逸脱した学習ポリシーから生じる分散シフトである。 これはしばしば、政策改善中のアウト・オブ・ディストリビューション(OOD)アクションを避けることで対処される。 本稿では,定常分布最適化に基づく個別エージェントの集中学習を行うオフラインMARLアルゴリズムAlberDICEを紹介する。
  論文  参考訳（メタデータ） (2023-11-03T18:56:48Z)
• Off-Policy Evaluation for Large Action Spaces via Policy Convolution [60.6953713877886]
  ポリシ・コンボリューション(Policy Convolution)のファミリーは、アクション内の潜在構造を使用して、ログとターゲットポリシを戦略的に畳み込みます。 合成およびベンチマークデータセットの実験では、PCを使用する場合の平均二乗誤差(MSE)が顕著に改善されている。
  論文  参考訳（メタデータ） (2023-10-24T01:00:01Z)
• Learning Multi-Agent Intention-Aware Communication for Optimal Multi-Order Execution in Finance [96.73189436721465]
  まず,現実的な制約を考慮したマルチオーダー実行のためのマルチエージェントRL(MARL)手法を提案する。 本稿では,学習可能なマルチラウンド通信プロトコルを提案する。 2つの実世界の市場のデータに関する実験では、優れたパフォーマンスを示し、コラボレーションの有効性が著しく向上した。
  論文  参考訳（メタデータ） (2023-07-06T16:45:40Z)
• Uniswap Liquidity Provision: An Online Learning Approach [49.145538162253594]
  分散取引所(DEX)は、テクノロジーを活用した新しいタイプのマーケットプレイスである。 そのようなDECの1つ、Unixwap v3は、流動性プロバイダが資金のアクティブな価格間隔を指定することで、より効率的に資金を割り当てることを可能にする。 これにより、価格間隔を選択するための最適な戦略を見出すことが問題となる。 我々は、この問題を非確率的な報酬を伴うオンライン学習問題として定式化する。
  論文  参考訳（メタデータ） (2023-02-01T17:21:40Z)
• Learn Continuously, Act Discretely: Hybrid Action-Space Reinforcement Learning For Optimal Execution [8.021077964915996]
  強化学習は、注文分割のサイズを決定するのに役立つ。 主な課題は、アクション空間の「連続離散双対性」にある。 本稿では,両者の利点を組み合わせたハイブリッドRL法を提案する。
  論文  参考訳（メタデータ） (2022-07-22T15:50:44Z)
• Robust Allocations with Diversity Constraints [65.3799850959513]
  エージェント値の積を最大化するナッシュ福祉規則は,多様性の制約が導入されたとき,一意にロバストな位置にあることを示す。 また, ナッシュ・ウェルズによる保証は, 広く研究されているアロケーション・ルールのクラスにおいて, ほぼ最適であることを示す。
  論文  参考訳（メタデータ） (2021-09-30T11:09:31Z)
• Continuous Doubly Constrained Batch Reinforcement Learning [93.23842221189658]
  環境とのオンラインインタラクションではなく、固定されたオフラインデータセットのみを使用して効果的なポリシーを学ぶバッチRLのアルゴリズムを提案する。 バッチRLにおける制限されたデータは、トレーニングデータに不十分に表現された状態/動作の値推定に固有の不確実性をもたらす。 この分散を減らすための政策制約と、過度に楽観的な見積もりを妨げる価値制約という2つの簡単な罰則によってこの問題を軽減することを提案する。
  論文  参考訳（メタデータ） (2021-02-18T08:54:14Z)

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。