論文の概要: Reinforcement Learning in Agent-Based Market Simulation: Unveiling Realistic Stylized Facts and Behavior

• arxiv url: http://arxiv.org/abs/2403.19781v1
• Date: Thu, 28 Mar 2024 19:06:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-01 17:23:49.396159
• Title: Reinforcement Learning in Agent-Based Market Simulation: Unveiling Realistic Stylized Facts and Behavior
• Title（参考訳）: エージェント・ベース・マーケット・シミュレーションにおける強化学習:現実的なスティル化と行動の解明
• Authors: Zhiyuan Yao, Zheng Li, Matthew Thomas, Ionut Florescu,
• Abstract要約: 投資家や規制当局は、現実の市場における意思決定の結果を予測できる現実的な市場シミュレーターの恩恵を受けることができる。 伝統的なルールベースの市場シミュレータは、しばしば市場の参加者のダイナミックな振る舞いを正確に把握するのに不足する。 本研究では,強化学習(RL)エージェントを用いたエージェントベースシミュレーションフレームワークについて検討する。
• 参考スコア（独自算出の注目度）: 7.8082951131908604
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Investors and regulators can greatly benefit from a realistic market simulator that enables them to anticipate the consequences of their decisions in real markets. However, traditional rule-based market simulators often fall short in accurately capturing the dynamic behavior of market participants, particularly in response to external market impact events or changes in the behavior of other participants. In this study, we explore an agent-based simulation framework employing reinforcement learning (RL) agents. We present the implementation details of these RL agents and demonstrate that the simulated market exhibits realistic stylized facts observed in real-world markets. Furthermore, we investigate the behavior of RL agents when confronted with external market impacts, such as a flash crash. Our findings shed light on the effectiveness and adaptability of RL-based agents within the simulation, offering insights into their response to significant market events.
• Abstract（参考訳）: 投資家や規制当局は、現実的な市場シミュレーターから大きな恩恵を受けることができる。 しかし、伝統的なルールベースの市場シミュレーターは、市場参加者のダイナミックな振る舞い、特に外部の市場への影響イベントや他の参加者の行動の変化を正確に把握するのに不足することが多い。 本研究では,強化学習(RL)エージェントを用いたエージェントベースシミュレーションフレームワークについて検討する。 本稿では、これらのRLエージェントの実装の詳細を述べるとともに、実世界の市場において、シミュレートされた市場は現実的なスタイル化された事実を示すことを示す。 さらに,フラッシュクラッシュなどの外部市場の影響に直面する場合のRLエージェントの挙動について検討した。 本研究は,RLをベースとしたエージェントの有効性と適応性に光を当て,市場における重要なイベントに対する反応について考察した。

関連論文リスト

• Deep Reinforcement Learning Agents for Strategic Production Policies in Microeconomic Market Simulations [1.6499388997661122]
  複数の生産者と競合する市場で効果的な政策を得るためのDRLベースのアプローチを提案する。 我々のフレームワークは、静的およびランダムな戦略を一貫して上回るいくつかのシミュレーションに適応的な生産ポリシーを学習することを可能にする。 その結果,DRLで訓練したエージェントは生産水準を戦略的に調整し,長期利益率を最大化できることがわかった。
  論文  参考訳（メタデータ） (2024-10-27T18:38:05Z)
• An Experimental Study of Competitive Market Behavior Through LLMs [0.0]
  本研究では,大規模言語モデル(LLM)が市場実験を行う可能性について検討する。 我々は,市場エージェントの行動を制御された実験環境でモデル化し,競争均衡に向けて収束する能力を評価する。
  論文  参考訳（メタデータ） (2024-09-12T18:50:13Z)
• 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)
• 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)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• 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)
• 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)
• Towards Realistic Market Simulations: a Generative Adversarial Networks Approach [2.381990157809543]
  本研究では,実データに基づいて学習したコンディショナル・ジェネレーティブ・アドバイザリアル・ネットワーク(CGAN)に基づくマーケットジェネレータを提案する。 CGANベースの"ワールド"エージェントは、実験エージェントに応答して意味のある順序を生成することができる。
  論文  参考訳（メタデータ） (2021-10-25T22:01:07Z)

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。