論文の概要: Liquidity-Based Audit of Algorithmic Trading Strategies

• arxiv url: http://arxiv.org/abs/2606.29018v1
• Date: Sat, 27 Jun 2026 17:35:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:15.760306
• Title: Liquidity-Based Audit of Algorithmic Trading Strategies
• Title（参考訳）: アルゴリズム取引戦略の流動性に基づく監査
• Abstract要約: 我々は、戦略による流動性の純需要が、貿易と価格の歴史だけで識別可能であることを示す。 正確な多重周期の後悔分解は、この統計の徴候が線形戦略を純流動性コンシューマーまたはプロバイダとして分類することを意味する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We show that net demand for liquidity by algo strategies is identifiable from its trade and price history alone, with no knowledge of its signal or optimization problem. An exact multi-period regret decomposition implies that the sign of this statistic classifies a linear strategy as a net liquidity consumer or provider, recovering the Kyle (1985) informed-trader/market-maker dichotomy from observables alone. Under an AR(1) cost process, the same statistic equals the product of strategy size and the squared Roll (1984) implied spread, making the correction a direct proxy for prevailing illiquidity. Extending to endogenous price impact and aggregating across N correlated strategies yields a liquidity-balance condition whose violation produces welfare loss scaling as N squared, a closed-form fire-sale externality. We calibrate to CRSP equity data (2016-2025), tracking implied spreads through the COVID-19 and 2022 rate-shock episodes, with an estimator computable in O(Tnd) time.
• Abstract（参考訳）: 我々は、アルゴ戦略による流動性に対する純需要が、その信号や最適化の問題を知らないまま、その貿易と価格履歴のみから特定可能であることを示す。 正確な多周期の後悔の分解は、この統計の徴候が線形戦略を純流動性コンシューマーまたはプロバイダとして分類し、観測可能なもののみからカイル (1985) 情報トレーダ/市場メーカの二分法を回復することを意味する。 AR(1)のコストプロセスでは、同じ統計値が戦略サイズと正方形ロール(1984)の積に等しいので、補正は不正を優先する直接的な代用となる。 内因性価格の影響の拡大とN相関戦略の集約は、Nの正方形、閉形式の消火外部性によって、不履行が福祉損失のスケーリングを引き起こす流動性バランス状態をもたらす。 We calibrate to CRSP equity data (2016-2025), tracking implied spreads through the COVID-19 and 2022 rate-shock episodes, with an estimator Computable in O(Tnd) time。

関連論文リスト

• Concentrated Liquidity Provision: a Reinforcement Learning Perspective [6.803908016694179]
  自動市場メーカー(AMMs)は、分散型金融(DeFi)の基盤である インパルス制御問題として動的流動性プロビジョニングを定式化し、強化学習(RL)を用いて解決する。 我々は、政策が豊かな状態依存行動を示し、誤った価格、再バランスコスト、不確実性、在庫暴露、不均一なリスク嗜好に応じて流動性を割り当てていることを示す。
  論文  参考訳（メタデータ） (2026-08-19T19:08:39Z)
• Evaluating AI Investment Strategies [0.0]
  我々は、観測可能な入力と出力のみからブラックボックスのアルゴリズム決定を監査する問題について検討する。 厳密な条件下では、動的ポリシーの累積的表現は、コストベクトルとポリシーの決定の間の周期毎の共分散の和と等しい。 我々は、そのアイデンティティがコストと平均偏見のないマルコフポリシーの真下にあることを証明し、非定常および時変ケースに対する閉形式バイアス補正を導出し、割引された水平アナログを確立する。
  論文  参考訳（メタデータ） (2026-06-07T19:16:50Z)
• RAmmStein: Regime Adaptation in Mean-reverting Markets with Stein Thresholds -- Optimal Impulse Control in Concentrated AMMs [0.0]
  分散型取引所における集中流動性供給は、基本的なインパルス制御の問題を示す。 本稿では,最適制御問題として流動性管理を定式化し,ハミルトン・ヤコビ・ベルマン準変量不等式(HJB-QVI)を導出する。 本稿では,Ornstein-Uhlenbeckプロセスの平均回帰速度(theta)を組み込んだ深層強化学習法であるRAmmSteinについて述べる。
  論文  参考訳（メタデータ） (2026-02-23T01:25:16Z)
• Monitoring State Transitions in Markovian Systems with Sampling Cost [65.4151496405543]
  自然なアプローチは、予想される予測損失がクエリコスト以下で、クエリがなければいつ発生するかを予測する、欲張りのポリシーである。 最適(OPT)戦略は状態依存のしきい値ポリシである。 遷移確率が未知の場合、我々は、グレディポリシーの予測勾配降下(PSGD)に基づく学習変種を提案する。
  論文  参考訳（メタデータ） (2025-10-25T15:07:37Z)
• Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
  金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。 展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。 従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。 楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T18:22:25Z)
• Portfolio Optimization with Robust Covariance and Conditional Value-at-Risk Constraints [0.0]
  各種のLedoit Shrinkage CovarianceおよびRobust Gerber CovarianceMatrixを用いた大容量ポートフォリオの性能評価を行った。 堅牢性評価は、特に強気相場で、市場資本化の重み付けされたベンチマークポートフォリオを上回る可能性がある。 我々は最適化アルゴリズムに教師なしクラスタリングアルゴリズムK平均を組み込んだ。
  論文  参考訳（メタデータ） (2024-06-02T03:50:20Z)
• Projected Off-Policy Q-Learning (POP-QL) for Stabilizing Offline Reinforcement Learning [57.83919813698673]
  Projected Off-Policy Q-Learning (POP-QL) は、政治外のサンプルを同時に重み付け、分散を防止し、価値近似誤差を減らすためにポリシーを制約する新しいアクタ批判アルゴリズムである。 我々の実験では、POP-QLは標準ベンチマーク上での競合性能を示すだけでなく、データ収集ポリシーがかなり最適化されていないタスクにおいて競合するメソッドよりも優れています。
  論文  参考訳（メタデータ） (2023-11-25T00:30:58Z)
• ZeroSwap: Data-driven Optimal Market Making in DeFi [23.671367118750872]
  AMM(Automated Market Makers)は、分散金融における流動性供給と需要に合致する主要なセンターである。 本稿では,アセットの外部価格を最適に追跡する,最初の最適ベイズアルゴリズムとモデルフリーなデータ駆動アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-13T21:28:19Z)
• Label Distributionally Robust Losses for Multi-class Classification: Consistency, Robustness and Adaptivity [55.29408396918968]
  多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。 我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。 本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
  論文  参考訳（メタデータ） (2021-12-30T00:27:30Z)
• Distributed Adaptive Learning Under Communication Constraints [54.22472738551687]
  本研究では,コミュニケーション制約下での運用を目的とした適応型分散学習戦略について検討する。 我々は,ストリーミングデータの連続的な観察から,オンライン最適化問題を解決しなければならないエージェントのネットワークを考える。
  論文  参考訳（メタデータ） (2021-12-03T19:23:48Z)
• Risk Minimization from Adaptively Collected Data: Guarantees for Supervised and Policy Learning [57.88785630755165]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、機械学習のワークホースであるが、適応的に収集されたデータを使用すると、そのモデルに依存しない保証が失敗する可能性がある。 本研究では,仮説クラス上での損失関数の平均値を最小限に抑えるため,適応的に収集したデータを用いた一般的な重み付きERMアルゴリズムについて検討する。 政策学習では、探索がゼロになるたびに既存の文献のオープンギャップを埋める率-最適後悔保証を提供する。
  論文  参考訳（メタデータ） (2021-06-03T09:50:13Z)
• Learning Strategies in Decentralized Matching Markets under Uncertain Preferences [91.3755431537592]
  エージェントの選好が不明な場合,共有資源の不足の設定における意思決定の問題について検討する。 我々のアプローチは、再生されたカーネルヒルベルト空間における好みの表現に基づいている。 エージェントの期待した利益を最大化する最適な戦略を導出する。
  論文  参考訳（メタデータ） (2020-10-29T03:08:22Z)

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。