論文の概要: Multi-Task Dynamic Pricing in Credit Market with Contextual Information
- arxiv url: http://arxiv.org/abs/2410.14839v1
- Date: Fri, 18 Oct 2024 19:37:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-10-22 13:16:22.972017
- Title: Multi-Task Dynamic Pricing in Credit Market with Contextual Information
- Title（参考訳）: コンテキスト情報を用いた信用市場におけるマルチタスク動的価格設定
- Authors: Adel Javanmard, Jingwei Ji, Renyuan Xu,
- Abstract要約: 我々は、信用市場において多数の金融証券を購入し販売するブローカーが直面する動的価格問題について検討する。
これらの証券の価格設定の課題の1つは、頻度の低い取引であり、個別の価格設定に不十分なデータをもたらす。
本稿では、これらの共有構造を証券間で活用し、学習による価格の精度を高めるマルチタスク動的価格設定フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 10.407593835994433
- License:
- Abstract: We study the dynamic pricing problem faced by a broker that buys and sells a large number of financial securities in the credit market, such as corporate bonds, government bonds, loans, and other credit-related securities. One challenge in pricing these securities is their infrequent trading, which leads to insufficient data for individual pricing. However, many of these securities share structural features that can be utilized. Building on this, we propose a multi-task dynamic pricing framework that leverages these shared structures across securities, enhancing pricing accuracy through learning. In our framework, a security is fully characterized by a $d$ dimensional contextual/feature vector. The customer will buy (sell) the security from the broker if the broker quotes a price lower (higher) than that of the competitors. We assume a linear contextual model for the competitor's pricing, with unknown parameters a prior. The parameters for pricing different securities may or may not be similar to each other. The firm's objective is to minimize the expected regret, namely, the expected revenue loss against a clairvoyant policy which has the knowledge of the parameters of the competitor's pricing model. We show that the regret of our policy is better than both a policy that treats each security individually and a policy that treats all securities as the same. Moreover, the regret is bounded by $\tilde{O} ( \delta_{\max} \sqrt{T M d} + M d ) $, where $M$ is the number of securities and $\delta_{\max}$ characterizes the overall dissimilarity across securities in the basket.
- Abstract（参考訳）: 我々は、社債、国債、ローン、その他の信用関連証券などの信用市場において、多数の金融証券を売買するブローカーが直面する動的価格問題について検討する。
これらの証券の価格設定の課題の1つは、頻度の低い取引であり、個別の価格設定に不十分なデータをもたらす。
しかし、これらの証券の多くは利用可能な構造的特徴を共有している。
これに基づいて、証券間の共有構造を活用し、学習による価格の精度を高めるマルチタスク動的価格設定フレームワークを提案する。
我々のフレームワークでは、セキュリティは$d$次元の文脈/特徴ベクトルによって完全に特徴づけられる。
ブローカーが競合相手よりも低い価格(より高い価格)を引用した場合、顧客はブローカーからセキュリティを購入し(販売)する。
競合の価格について、未知のパラメータを前もって線形コンテキストモデルを仮定する。
異なる証券の価格設定のパラメータは、互いに類似しているかもしれないし、そうでないかもしれない。
同社の目標は、予想される後悔を最小化することであり、すなわち、競争相手の価格モデルのパラメータに関する知識を持つ透明化政策に対する収益損失を最小化することである。
我々は,我々の政策の後悔は,個々のセキュリティを個別に扱う政策と,すべての証券を同一扱いする政策よりも優れていることを示す。
さらに、後悔は$\tilde{O} ( \delta_{\max} \sqrt{T M d} + M d ) $で制限されている。
関連論文リスト
- Dynamic Pricing in Securities Lending Market: Application in Revenue Optimization for an Agent Lender Portfolio [5.006071344026168]
証券貸出市場では,既存の文脈的バンディットの枠組みをうまく活用できることが示されている。
我々は、文脈的バンディットアプローチが、生成した総収益の少なくとも15%以上の典型的なアプローチを一貫して上回ることを示す。
論文 参考訳（メタデータ） (2024-07-18T17:42:37Z) - A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。
各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。
実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
論文 参考訳（メタデータ） (2024-07-08T09:55:31Z) - Reinforcement Learning for Corporate Bond Trading: A Sell Side Perspective [0.0]
社債トレーダーは、テキスト優先の市場価格にスプレッドを追加して引用を提供する
不正な債券については、市場価格の観測が困難であり、トレーダーはしばしば利用可能なベンチマーク債の価格に頼っている。
本稿では,データ駆動方式による最適入札分散商法の推定にアプローチし,強化学習を用いて学習できることを示す。
論文 参考訳（メタデータ） (2024-06-18T18:02:35Z) - A Contextual Online Learning Theory of Brokerage [8.049531918823758]
トレーダー間のブローカーのオンライン学習問題における文脈情報の役割について検討する。
有界密度仮定が解かれると、問題は解けなくなる。
論文 参考訳（メタデータ） (2024-05-22T18:38:05Z) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳（メタデータ） (2023-08-18T16:21:15Z) - Contextual Dynamic Pricing with Strategic Buyers [93.97401997137564]
戦略的買い手によるコンテキスト動的価格問題について検討する。
売り手は買い手の真の特徴を観察せず、買い手の戦略行動に応じて操作された特徴を観察する。
本稿では,販売者の累積収益を最大化するために,購入者の戦略的行動をオンライン学習に取り入れた戦略的動的価格政策を提案する。
論文 参考訳（メタデータ） (2023-07-08T23:06:42Z) - Autoregressive Bandits [58.46584210388307]
本稿では,オンライン学習環境であるAutoregressive Banditsを提案する。
報酬プロセスの軽微な仮定の下では、最適ポリシーを便利に計算できることが示される。
次に、新しい楽観的後悔最小化アルゴリズム、すなわちAutoRegressive Upper Confidence Bound (AR-UCB)を考案し、$widetildemathcalO left( frac(k+1)3/2sqrtnT (1-G)のサブ線形後悔を被る。
論文 参考訳（メタデータ） (2022-12-12T21:37:36Z) - 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) - Price Interpretability of Prediction Markets: A Convergence Analysis [6.623653707600985]
指数的ユーティリティベース市場におけるエージェント信念の幾何学的平均に制限価格が収束することを示す。
また、制限価格は、エージェントの信念、リスクパラメータ、富をカプセル化する方程式の体系によって特徴づけられることを示す。
論文 参考訳（メタデータ） (2022-05-18T13:15:11Z) - Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。
具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。
蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
論文 参考訳（メタデータ） (2020-03-06T06:28:17Z) - Dynamic Incentive-aware Learning: Robust Pricing in Contextual Auctions [13.234975857626752]
我々は、文脈的な第2価格オークションにおいて、戦略的買い手に対する準備価格の堅牢な学習の問題を考察する。
このような戦略的行動に頑健な学習方針を提案する。
論文 参考訳（メタデータ） (2020-02-25T19:00:29Z)
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。