Fugu-MT 論文翻訳(概要): Zero-shot adaptation to order book dynamics

論文の概要: Zero-shot adaptation to order book dynamics

arxiv url: http://arxiv.org/abs/2605.21707v1
Date: Wed, 20 May 2026 20:11:37 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-22 16:35:41.983437
Title: Zero-shot adaptation to order book dynamics
Title（参考訳）: オーダーブックダイナミクスへのゼロショット適応
Authors: Arip Asadulaev,
Abstract要約: 本稿では,Avellaneda-Stoikovフレームワークの分析構造を維持しつつ,後継の測度型適応機構を導入する適応型市場形成アーキテクチャについて述べる。
参考スコア（独自算出の注目度）: 2.8766374696553823
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We describe an adaptive market-making architecture that preserves the analytical structure of the Avellaneda--Stoikov framework while introducing a successor measure-style adaptation mechanism. In our paper we keep Avellaneda--Stoikov fast Hamilton--Jacobi--Bellman structure and make it adaptive to changing market regimes and trading objectives. The central idea is to separate market dynamics from the trading objective. The market state determines a low-dimensional set of Avellaneda--Stoikov parameters, while recent realized rewards determine a low-dimensional objective vector. The HJB forward map then converts this objective into optimal bid and ask quotes through a scalarization of future reward features.
Abstract（参考訳）: 本稿では,Avellaneda-Stoikovフレームワークの分析構造を維持しつつ,後継の測度型適応機構を導入する適応型市場形成アーキテクチャについて述べる。本稿では、Avellaneda--Stoikov fast Hamilton--Jacobi--Bellman構造を維持し、市場体制の変化や取引目標に適応させる。中心となる考え方は、市場のダイナミクスを取引の目的から切り離すことである。市場状態はAvellaneda-Stooikovパラメータの低次元集合を決定するが、最近の実効報酬は低次元の客観的ベクトルを決定する。 HJBフォワードマップは、この目的を最適入札に変換し、将来の報酬機能のスキャラライズを通じて引用を尋ねる。

関連論文リスト

Online Learning for Dynamic Vickrey-Clarke-Groves Mechanism in Unknown Environments [2.2344764434954256]
本研究では,未知環境におけるシーケンシャルオークションにおけるオンライン動的メカニズム設計の問題点を考察する。我々は,販売者がマルコフ決定過程を学習するための強化学習アルゴリズムを開発した。学習機構は, 効率, 真理性, 個々人の合理性にほぼ満足していることを示す。
論文参考訳（メタデータ） (2025-06-23T18:52:32Z)
Smooth Quadratic Prediction Markets [6.576051895863941]
我々はSmooth Quadratic Prediction Marketと呼ばれる新しい予測市場を提案する。 DCFMMとは対照的に、Smooth Quadratic Prediction MarketはAD証券で最悪の金融損失を被る。本研究は,価格更新規則と料金構造が分離されているが,保証は維持されている将来の設計を示唆する。
論文参考訳（メタデータ） (2025-05-05T18:43:58Z)
Deep Learning Meets Queue-Reactive: A Framework for Realistic Limit Order Book Simulation [0.0]
MDQR(Multidimensional Deep Queue-Reactive Model)を提案する。このモデルは待ち行列独立の仮定を緩和し、市場特徴で状態空間を豊かにし、注文サイズの分布をモデル化する。 Bund Futures Marketのデータを用いて、MDQRは市場影響の平方根法則、クロスキュー相関、現実的なオーダーサイズパターンなどの重要な市場特性を捉えていることを示す。
論文参考訳（メタデータ） (2025-01-15T14:19:20Z)
Sparse autoencoders reveal selective remapping of visual concepts during adaptation [54.82630842681845]
特定の目的のために基礎モデルを適用することは、機械学習システムを構築するための標準的なアプローチとなっている。 PatchSAEと呼ばれるCLIPビジョントランスのための新しいスパースオートエンコーダ(SAE)を開発し、解釈可能な概念を抽出する。
論文参考訳（メタデータ） (2024-12-06T18:59:51Z)
A simple learning agent interacting with an agent-based market model [0.0]
本研究では,エージェントベースの金融市場モデルと相互作用する単一強化学習最適実行取引エージェントの学習力学を考察する。モデルのモーメントは、ハースト指数を除いて学習エージェントの影響に対して堅牢であることがわかった。学習エージェントの導入は、価格影響曲線の形状を保ちつつ、取引量が増えると、トレードオフ自己相関を低減することができる。
論文参考訳（メタデータ） (2022-08-22T16:42:06Z)
Learn to Match with No Regret: Reinforcement Learning in Markov Matching Markets [151.03738099494765]
我々は、市場の両側でプランナーと戦略エージェントのセットを含むマルコフマッチング市場について検討する。本稿では,楽観的な値反復と最大重みマッチングを組み合わせた強化学習フレームワークを提案する。我々は,アルゴリズムがサブ線形後悔を実現することを証明した。
論文参考訳（メタデータ） (2022-03-07T19:51:25Z)
Self-supervised Augmentation Consistency for Adapting Semantic Segmentation [56.91850268635183]
本稿では,実用的かつ高精度な意味セグメンテーションのためのドメイン適応手法を提案する。私たちは標準データ拡張技術である$-$フォトメトリックノイズ、フリップとスケーリング$-$を採用し、セマンティック予測の一貫性を保証する。適応後の最先端セグメンテーション精度を大幅に改善し、バックボーンアーキテクチャと適応シナリオの異なる選択に整合性を持たせる。
論文参考訳（メタデータ） (2021-04-30T21:32:40Z)
VCG Mechanism Design with Unknown Agent Values under Stochastic Bandit Feedback [104.06766271716774]
本研究では,エージェントが自己の価値を知らない場合に,マルチラウンドの福祉最大化機構設計問題について検討する。まず、福祉に対する後悔の3つの概念、各エージェントの個々のユーティリティ、メカニズムの3つの概念を定義します。当社のフレームワークは価格体系を柔軟に制御し、エージェントと販売者の後悔のトレードオフを可能にする。
論文参考訳（メタデータ） (2020-04-19T18:00:58Z)
Target-Embedding Autoencoders for Supervised Representation Learning [111.07204912245841]
本稿では,対象空間が高次元な純粋教師付き環境における一般化の枠組みを解析する。我々は、教師付き予測のための目標埋め込みオートエンコーダ(TEA)の一般的なフレームワークのモチベーションと形式化を行い、特徴とターゲットの予測の両方から予測可能なように最適化された中間潜在表現を学習する。
論文参考訳（メタデータ） (2020-01-23T02:37:10Z)

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。