Fugu-MT 論文翻訳(概要): Integrating Tick-level Data and Periodical Signal for High-frequency Market Making

論文の概要: Integrating Tick-level Data and Periodical Signal for High-frequency Market Making

arxiv url: http://arxiv.org/abs/2306.17179v1
Date: Mon, 19 Jun 2023 07:10:46 GMT
ステータス: 処理完了
システム内更新日: 2023-07-09 14:08:37.009540
Title: Integrating Tick-level Data and Periodical Signal for High-frequency Market Making
Title（参考訳）: 高周波市場形成のためのtickレベルデータと周期信号の統合
Authors: Jiafa He, Cong Zheng and Can Yang
Abstract要約: 我々は,より正確で堅牢な市場形成戦略を開発するために,定期的な予測信号でギグレベルのデータを融合する深層強化学習手法を提案する。提案手法は,収益性やリスク管理の観点から既存手法よりも優れていた。
参考スコア（独自算出の注目度）: 6.905391624417593
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We focus on the problem of market making in high-frequency trading. Market making is a critical function in financial markets that involves providing liquidity by buying and selling assets. However, the increasing complexity of financial markets and the high volume of data generated by tick-level trading makes it challenging to develop effective market making strategies. To address this challenge, we propose a deep reinforcement learning approach that fuses tick-level data with periodic prediction signals to develop a more accurate and robust market making strategy. Our results of market making strategies based on different deep reinforcement learning algorithms under the simulation scenarios and real data experiments in the cryptocurrency markets show that the proposed framework outperforms existing methods in terms of profitability and risk management.
Abstract（参考訳）: 高周波取引における市場形成の問題に焦点を当てる。市場は資産の売買によって流動性を提供する金融市場において重要な機能である。しかし、金融市場の複雑さが増し、ダニレベルのトレーディングが生み出すデータ量が増加しているため、効果的な市場作り戦略の開発は困難である。そこで本研究では,ダニレベルのデータを周期的予測信号と融合して,より正確かつ堅牢な市場形成戦略を展開する深層強化学習手法を提案する。シミュレーションシナリオに基づく異なる深層強化学習アルゴリズムに基づく市場構築戦略と暗号通貨市場における実データ実験の結果,提案手法が既存手法よりも利益率とリスク管理の面で優れていることが示された。

関連論文リスト

Reinforcement Learning Framework for Quantitative Trading [0.0]
個々の証券の潜在的な市場動向をよりよく理解するために、金融指標の有効利用には大きな断絶がある。本研究は、金融指標を用いた正と負の購買行動を効果的に区別するRLエージェントの能力を高めることにより、これらの複雑さに対処する試みである。
論文参考訳（メタデータ） (2024-11-12T06:44:28Z)
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)
Stockformer: A Price-Volume Factor Stock Selection Model Based on Wavelet Transform and Multi-Task Self-Attention Networks [3.7608255115473592]
本稿では,ウェーブレット変換とマルチタスク自己アテンションネットワークを統合した価格-体積係数ストックセレクションモデルであるStockformerを紹介する。ストックフォーマーは、株価のリターンを高頻度と低頻度に分解し、長期市場の動向と急激な出来事を注意深く捉えている。実験結果から、Stockformerは複数の実市場データセットにおいて、既存の先進的な手法よりも優れていることが示された。
論文参考訳（メタデータ） (2023-11-23T04:33:47Z)
Market-GAN: Adding Control to Financial Market Data Generation with Semantic Context [23.773217528211905]
現在の財務データセットにはコンテキストラベルは含まれていない。現在の技術は、文脈を制御として財務データを生成するように設計されていない。 Market-GANは、制御可能な生成をコンテキストで行うためにGAN(Generative Adversarial Networks)を組み込んだ新しいアーキテクチャである。
論文参考訳（メタデータ） (2023-09-14T13:42:27Z)
Dynamic Datasets and Market Environments for Financial Reinforcement Learning [68.11692837240756]
FinRL-Metaは、現実世界の市場からジムスタイルの市場環境へ動的データセットを処理するライブラリである。我々は,ユーザが新しい取引戦略を設計するための足場として,人気のある研究論文を例示し,再現する。また、ユーザが自身の結果を視覚化し、相対的なパフォーマンスを評価するために、このライブラリをクラウドプラットフォームにデプロイします。
論文参考訳（メタデータ） (2023-04-25T22:17:31Z)
Detecting data-driven robust statistical arbitrage strategies with deep neural networks [5.812554622073437]
我々は、金融市場における堅牢な統計的仲裁戦略の特定を可能にする、ディープニューラルネットワークに基づくアプローチを提案する。提示された新しい手法は、大量の基礎証券を同時に検討することができる。本研究では、観測された市場データから導出可能な許容確率尺度のあいまい性セットを構築する方法を提案する。
論文参考訳（メタデータ） (2022-03-07T07:23:18Z)
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)
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)
A Deep Reinforcement Learning Framework for Continuous Intraday Market Bidding [69.37299910149981]
再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
論文参考訳（メタデータ） (2020-04-13T13:50:13Z)
QuantNet: Transferring Learning Across Systematic Trading Strategies [2.012425476229879]
QuantNet(QuantNet)は、市場に依存しないトレンドを学習し、これらを使用して市場固有の取引戦略の優れた学習を行うアーキテクチャである。 58のグローバルエクイティマーケットにおける3103資産の履歴データに基づいてQuantNetを評価する。
論文参考訳（メタデータ） (2020-04-07T14:48:20Z)
Reinforcement-Learning based Portfolio Management with Augmented Asset Movement Prediction States [71.54651874063865]
ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
論文参考訳（メタデータ） (2020-02-09T08:10:03Z)

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。