論文の概要: Neural Stochastic Agent-Based Limit Order Book Simulation: A Hybrid
Methodology
- arxiv url: http://arxiv.org/abs/2303.00080v1
- Date: Tue, 28 Feb 2023 20:53:39 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-02 16:46:06.307131
- Title: Neural Stochastic Agent-Based Limit Order Book Simulation: A Hybrid
Methodology
- Title(参考訳): ニューラル確率エージェントに基づく極限順序ブックシミュレーション:ハイブリッド手法
- Authors: Zijian Shi and John Cartlidge
- Abstract要約: 現代の金融取引所は電子的リミット・オーダー・ブック(LOB)を使用して入札を保管し、特定の金融資産の受注を要求する。
ニューラルポイントモデルを用いて過去のLOBデータに基づいて事前訓練されたニューラルバックグラウンドトレーサによるマーケットイベントのロジックの集約を表現するハイブリッドLOBシミュレーションと、他のトレーサとのマルチエージェントシミュレーションに背景トレーサを組み込んだハイブリッドLOBシミュレーションを提案する。
このスタイル化された事実は残っており、実市場の経験的観察に則った秩序流の影響と財政的放牧行動を示す。
- 参考スコア(独自算出の注目度): 6.09170287691728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern financial exchanges use an electronic limit order book (LOB) to store
bid and ask orders for a specific financial asset. As the most fine-grained
information depicting the demand and supply of an asset, LOB data is essential
in understanding market dynamics. Therefore, realistic LOB simulations offer a
valuable methodology for explaining empirical properties of markets. Mainstream
simulation models include agent-based models (ABMs) and stochastic models
(SMs). However, ABMs tend not to be grounded on real historical data, while SMs
tend not to enable dynamic agent-interaction. To overcome these limitations, we
propose a novel hybrid LOB simulation paradigm characterised by: (1)
representing the aggregation of market events' logic by a neural stochastic
background trader that is pre-trained on historical LOB data through a neural
point process model; and (2) embedding the background trader in a multi-agent
simulation with other trading agents. We instantiate this hybrid NS-ABM model
using the ABIDES platform. We first run the background trader in isolation and
show that the simulated LOB can recreate a comprehensive list of stylised facts
that demonstrate realistic market behaviour. We then introduce a population of
`trend' and `value' trading agents, which interact with the background trader.
We show that the stylised facts remain and we demonstrate order flow impact and
financial herding behaviours that are in accordance with empirical observations
of real markets.
- Abstract(参考訳): 現代の金融取引所は電子的リミット注文帳(LOB)を使用して入札を保管し、特定の金融資産の注文を求める。
資産の需要と供給を示す最もきめ細かい情報として、LOBデータは市場のダイナミクスを理解する上で不可欠である。
したがって、現実的なLOBシミュレーションは市場の経験的性質を説明する貴重な方法論を提供する。
主なシミュレーションモデルにはエージェントベースモデル(abms)と確率モデル(sms)がある。
しかし、abmは実際の履歴データに基づくものではなく、smsは動的エージェント-インタラクションを有効にしない傾向がある。
これらの制約を克服するために,1) ニューラルネットワーク処理モデルを用いて過去のLOBデータに基づいて事前訓練されたニューラルネットワークによるマーケットイベントのロジックの集約を表現する,2) バックグラウンドトレーサを他のトレーダとのマルチエージェントシミュレーションに組み込む,という,新しいハイブリッドLOBシミュレーション手法を提案する。
ABIDESプラットフォームを用いて、このハイブリッドNS-ABMモデルをインスタンス化する。
まず、背景トレーダーを分離して実行し、シミュレーションされたLOBが、現実的な市場行動を示すスタイリングされた事実の包括的リストを再現できることを示します。
次に,'trend' と 'value' のトレーディングエージェントの集団を紹介し,背景トレーダと相互作用する。
スタイル化された事実は残っており、実市場の経験的観察に則った秩序フローの影響と金融的隠れ行動を示す。
関連論文リスト
- 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) - Generative AI for End-to-End Limit Order Book Modelling: A Token-Level
Autoregressive Generative Model of Message Flow Using a Deep State Space
Network [7.54290390842336]
本稿では,トークン化制限順序帳(LOB)メッセージを生成するエンドツーエンドの自動回帰生成モデルを提案する。
NASDAQ の株式 LOB を用いて、メッセージデータのためのカスタムトークン化器を開発し、逐次桁の群をトークンに変換する。
結果は,低モデルパープレキシティによって証明されたように,データの分布を近似する上で有望な性能を示す。
論文 参考訳(メタデータ) (2023-08-23T09:37:22Z) - Market Making with Deep Reinforcement Learning from Limit Order Books [2.569647910019739]
本稿では,リミットオーダーブック(LOB)データを用いた市場形成のためのRLエージェントを提案する。
特徴抽出には畳み込みフィルタとアテンション機構(Attn-LOB)を用いたニューラルネットワークを利用する。
MMタスクのための新しい連続行動空間とハイブリッド報酬関数を設計する。
論文 参考訳(メタデータ) (2023-05-25T08:05:19Z) - 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) - Efficient Model-based Multi-agent Reinforcement Learning via Optimistic
Equilibrium Computation [93.52573037053449]
H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。
自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
論文 参考訳(メタデータ) (2022-03-14T17:24:03Z) - 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) - 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) - The LOB Recreation Model: Predicting the Limit Order Book from TAQ
History Using an Ordinary Differential Equation Recurrent Neural Network [9.686252465354274]
LOBレクリエーションモデルは,小額株の公開制限注文書(LOB)のトップ5価格レベルを再現するための,ディープラーニングの観点からの最初の試みである。
トランスファーラーニングのパラダイムにより、同じクラスの他の金融資産に適用できるように、ある株式で訓練されたソースモデルを微調整することができる。
論文 参考訳(メタデータ) (2021-03-02T12:07:43Z) - VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven
Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。
LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。
本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
論文 参考訳(メタデータ) (2020-07-15T07:07:07Z) - Hedging using reinforcement learning: Contextual $k$-Armed Bandit versus
$Q$-learning [0.22940141855172028]
本稿では,リスクと市場摩擦の存在下での連関債権の複製戦略の構築について検討する。
本稿では、ヘッジ問題はリスク・アバース文脈における$k$-armed bandit問題の例と見なされる。
私たちは、$k$の武器付きバンディットモデルが、ヘッジの利益と損失の定式化に自然に適合していることに気付きました。
論文 参考訳(メタデータ) (2020-07-03T11:34:10Z)
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。