論文の概要: FlowHFT: Imitation Learning via Flow Matching Policy for Optimal High-Frequency Trading under Diverse Market Conditions

• arxiv url: http://arxiv.org/abs/2505.05784v3
• Date: Thu, 22 May 2025 04:48:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 12:25:14.964112
• Title: FlowHFT: Imitation Learning via Flow Matching Policy for Optimal High-Frequency Trading under Diverse Market Conditions
• Title（参考訳）: FlowHFT: 多様な市場条件下での最適高周波取引のためのフローマッチングポリシによる模倣学習
• Authors: Yang Li, Zhi Chen, Steve Yang,
• Abstract要約: 高周波トレーディング(英: high- frequency trading、HFT)は、市場状態を継続的に監視し、入札を行い、ミリ秒の速度で注文を求める投資戦略である。 従来のHFTアプローチは、過去のデータとモデルに適合し、将来の市場状態も同様のパターンに従うと仮定する。 本稿では,フローマッチングポリシーに基づく新しい模倣学習フレームワークであるFlowHFTを提案する。
• 参考スコア（独自算出の注目度）: 10.253213044505431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-frequency trading (HFT) is an investing strategy that continuously monitors market states and places bid and ask orders at millisecond speeds. Traditional HFT approaches fit models with historical data and assume that future market states follow similar patterns. This limits the effectiveness of any single model to the specific conditions it was trained for. Additionally, these models achieve optimal solutions only under specific market conditions, such as assumptions about stock price's stochastic process, stable order flow, and the absence of sudden volatility. Real-world markets, however, are dynamic, diverse, and frequently volatile. To address these challenges, we propose the FlowHFT, a novel imitation learning framework based on flow matching policy. FlowHFT simultaneously learns strategies from numerous expert models, each proficient in particular market scenarios. As a result, our framework can adaptively adjust investment decisions according to the prevailing market state. Furthermore, FlowHFT incorporates a grid-search fine-tuning mechanism. This allows it to refine strategies and achieve superior performance even in complex or extreme market scenarios where expert strategies may be suboptimal. We test FlowHFT in multiple market environments. We first show that flow matching policy is applicable in stochastic market environments, thus enabling FlowHFT to learn trading strategies under different market conditions. Notably, our single framework consistently achieves performance superior to the best expert for each market condition.
• Abstract（参考訳）: 高周波トレーディング(英: high- frequency trading、HFT)は、市場状態を継続的に監視し、入札を行い、ミリ秒の速度で注文を求める投資戦略である。 従来のHFTアプローチは、過去のデータとモデルに適合し、将来の市場状態も同様のパターンに従うと仮定する。 これにより、単一のモデルの有効性は、トレーニング対象の特定の条件に制限される。 さらに、これらのモデルは、株価の確率過程の仮定、安定した秩序の流れ、突然のボラティリティの欠如など、特定の市場条件下でのみ最適解が得られる。 しかし、現実世界の市場は、動的で多様性があり、しばしば揮発性がある。 これらの課題に対処するために,フローマッチングポリシーに基づく新しい模倣学習フレームワークであるFlowHFTを提案する。 FlowHFTは、さまざまな専門家モデルから戦略を同時に学習する。 その結果,本フレームワークは,市場状況に応じて投資決定を適応的に調整することができる。 さらに、FlowHFTにはグリッド検索の微調整機構が組み込まれている。 これにより、専門家戦略が最適でないような複雑なまたは極端な市場シナリオであっても、戦略を洗練し、優れたパフォーマンスを達成することができる。 複数の市場でFlowHFTをテストしています。 まず,フローマッチングポリシが確率的市場環境に適用可能であることを示し,フローHFTが異なる市場条件下でのトレーディング戦略を学習できるようにする。 特に、我々の単一のフレームワークは、各市場状況において最高の専門家よりも優れたパフォーマンスを継続的に達成しています。

関連論文リスト

• FinTSB: A Comprehensive and Practical Benchmark for Financial Time Series Forecasting [58.70072722290475]
  ファイナンシャル・タイム・シリーズ(FinTS)は、人間の脳を増強した意思決定の行動を記録する。 FinTSBは金融時系列予測のための総合的で実用的なベンチマークである。
  論文  参考訳（メタデータ） (2025-02-26T05:19:16Z)
• MacroHFT: Memory Augmented Context-aware Reinforcement Learning On High Frequency Trading [20.3106468936159]
  強化学習(RL)は、高周波取引(HFT)のもう一つの魅力あるアプローチとなっている。 我々は,新しいメモリ拡張コンテキスト認識強化学習手法であるOn HFT, empha.k. MacroHFTを提案する。 マイクロレベルのトレーディングタスクにおいて,MacroHFTは最先端のパフォーマンスを実現することができることを示す。
  論文  参考訳（メタデータ） (2024-06-20T17:48:24Z)
• 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)
• 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)
• Integrating Tick-level Data and Periodical Signal for High-frequency Market Making [6.905391624417593]
  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。
  論文  参考訳（メタデータ） (2023-06-19T07:10:46Z)
• CTMSTOU driven markets: simulated environment for regime-awareness in trading policies [0.0]
  本稿では,市場参加者が認識する基本的な価値をモデル化する新たなプロセスを紹介する。 我々は、取引業者に対する体制意識の概念を定義し、注文実行問題の文脈における異なる注文配置戦略の研究を通して、その重要性を説明する。
  論文  参考訳（メタデータ） (2022-02-02T10:27:12Z)
• 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)
• Universal Trading for Order Execution with Oracle Policy Distillation [99.57416828489568]
  本稿では,不完全な市場状態と注文実行のための最適な行動シーケンスとのギャップを埋める,新たなユニバーサル取引ポリシー最適化フレームワークを提案する。 本研究の枠組みは,完全情報を持つ託宣教師による実践的最適実行に向けて,共通政策の学習を指導する上で有効であることを示す。
  論文  参考訳（メタデータ） (2021-01-28T05:52:18Z)
• 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)

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。