論文の概要: ViperQ: Order Flow Pattern Recognition via Auction Market Theory for Reinforcement Learning Trading
- arxiv url: http://arxiv.org/abs/2609.13825v1
- Date: Sat, 12 Sep 2026 09:18:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.562649
- Title: ViperQ: Order Flow Pattern Recognition via Auction Market Theory for Reinforcement Learning Trading
- Title（参考訳）: ViperQ: 強化学習取引のためのオークション市場理論による秩序流パターン認識
- Abstract要約: 提案するViperQは,入札市場理論のプリミティブから,状態表現を明示的に構築した強化学習システムである。
2つの近似ポリシー最適化エージェントは、期待理論に基づく非対称報酬関数で訓練され、損失のペナリスはカーネマンとトヴェルスキーの損失反転係数と等しく一致する。
V ViperQはTSLAで+163.6%のROI(-27.5%の最大値、27,019の取引)、NVDAで+116.5%のROI(-47.8%の最大値、12,892の取引)をゼロレバレッジで達成している。
- 参考スコア（独自算出の注目度）: 11.76638109321532
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Reinforcement learning trading systems published in the academic literature overwhelmingly rely on price-aggregate state representations (OHLCV bars) or limit-order-book depth features, leaving microstructure pattern theories from the practitioner literature, namely Auction Market Theory and Market Profile, without a peer-reviewed computational instantiation. We present ViperQ, a reinforcement learning system whose state representation is built explicitly from Auction Market Theory primitives: Volume Point of Control, Value Area position, Low Volume Node flags, Cumulative Volume Delta divergence, and tape-velocity signatures, assembled into a 20-dimensional Z-normalised vector. Two Proximal Policy Optimisation agents are trained with a prospect theory-grounded asymmetric reward function that penalises losing holds at a magnitude consistent with Kahneman and Tversky's loss-aversion coefficient. Evaluated on a held-out twelve-month partition of institutional tick data the agents have never seen, ViperQ achieves +163.6% ROI on TSLA (-27.5% max drawdown, 27,019 trades) and +116.5% ROI on NVDA (-47.8% max drawdown, 12,892 trades) under zero leverage. The results establish Auction Market Theory features as a tractable structured input modality for sequential decision-making on financial time series and motivate further work on microstructure-aware policy learning.
- Abstract（参考訳）: 学術文献に掲載されている強化学習トレーディングシステムは、価格集約状態表現(OHLCVバー)やリミット・オーダー・ブックの奥行き特徴に大きく依存しており、マイクロ構造パターン理論は、査読された計算インスタンス化なしに、実践者文学、すなわちオークション市場理論と市場プロファイルに残されている。
本研究では,20次元のZ正規化ベクトルに,制御量点,値領域位置,低ボリュームノードフラグ,累積ボリュームデルタ発散,およびテープ速度シグネチャを組み込んだ拡張学習システムViperQを提案する。
2つの近似ポリシー最適化エージェントは、期待理論に基づく非対称報酬関数で訓練され、損失のペナリスはカーネマンとトヴェルスキーの損失反転係数と等しく一致する。
TSLAでは+163.6%(-27.5%)、NVDAでは+116.5%(-47.8%)をゼロレバレッジで達成している。
この結果は、金融時系列上での逐次意思決定のための、抽出可能な構造化された入力モダリティとして、オークション市場理論を確立し、ミクロ構造を考慮した政策学習へのさらなる取り組みを動機付けている。
関連論文リスト
- Can Agentic Trading Systems Pay for Their Own Intelligence? [42.600136171993874]
エージェント取引システムを評価するためのトレーサグラウンド診断ツールキットであるTradeLensを紹介する。
バックボーンモデル、資本規模、取引頻度、システムアーキテクチャを幅広く分析する。
以上の結果から,インテリジェンスと営利の両面での両立が示唆された。
論文 参考訳（メタデータ） (2026-07-11T12:31:54Z) - Liquidity-Based Audit of Algorithmic Trading Strategies [0.0]
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。
論文 参考訳（メタデータ） (2026-06-27T17:35:21Z) - Online Market Making and the Value of Observing the Order Book [44.5487486690729]
本研究では,学習者が連続して入札を行い,単一資産の価格を求めるオンライン市場形成問題について検討する。
リアルリミットオーダーブックにインスパイアされたアクション依存フィードバックモデルを導入する。
この追加情報が、問題の学習可能性に根本的に変化することを示します。
論文 参考訳（メタデータ） (2026-05-19T09:26:01Z) - Training Language Models for Bilateral Trade with Private Information [47.25254982913256]
貿易の利益を達成するためには、個人、戦略的余剰の合理性、協力が必要である。
本研究では,大規模言語モデルがイベント駆動シミュレータ内のツールコールを介して交渉する構造化交渉環境を開発する。
この環境は、フロンティアモデルのベンチマークと、強化学習によるオープンウェイトモデルのトレーニング環境という2つの目的を果たす。
論文 参考訳（メタデータ） (2026-04-10T03:04:20Z) - TraderBench: How Robust Are AI Agents in Adversarial Capital Markets? [8.661756660747042]
TraderBenchは金融のAIエージェントを評価するためのベンチマークである。
専門家が検証した静的タスク(知識検索、分析的推論)と敵の取引シミュレーションを組み合わせる。
2つの新しいトラック:4つのプログレッシブ・マーケット・マニピュレーション・トランスフォーメーションによる暗号取引、オプションデリバティブはP&Lの正確性、ギリシャ人、リスク管理である。
論文 参考訳（メタデータ） (2026-02-27T20:06:28Z) - 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) - Reinforcement Learning from Probabilistic Forecasts for Safe Decision-Making via Conditional Value-at-Risk Planning [41.52380204321823]
本稿では,ベイズ予測,後方サンプリング強化学習,計画とを結合した統一的枠組みである不確実性認識マルコフ決定プロセス(UAMDP)を提案する。
構造的不確実性と経済のボラティリティを特徴とする2つのドメインの高頻度株式取引と小売在庫管理において,UAMDPを評価した。
論文 参考訳（メタデータ） (2025-10-09T13:46:32Z) - Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading [57.28635022507172]
TiMiは、アーキテクチャ上、戦略開発を分単位のデプロイメントから切り離す合理性駆動型マルチエージェントシステムである。
本稿では,マクロパターンからマイクロカスタマイズ,トレーディングボット実装のための階層型プログラミング設計,数学的リフレクションによって駆動されるクローズドループ最適化までの2層解析パラダイムを提案する。
論文 参考訳（メタデータ） (2025-10-06T13:08:55Z) - Deep Reinforcement Learning for Market Making Under a Hawkes
Process-Based Limit Order Book Model [0.0]
深い強化学習に基づくコントローラは、市場形成制御を得るために、弱い一貫した多変量ホークスプロセスベースのリミットオーダーブックシミュレーターで訓練される。
提案手法はモンテカルロのバックテストの利点を活用し、弱い一貫したリミテッドオーダーブックモデルの下での市場形成の研究に寄与する。
論文 参考訳（メタデータ） (2022-07-20T14:54:40Z) - Certifying Strategyproof Auction Networks [53.37051312298459]
我々は、任意の数のアイテムと参加者でオークションを表現できるRegretNetアーキテクチャに焦点を当てる。
本稿では,ニューラルネットワーク検証文献から得られた手法を用いて,特定の評価プロファイルの下で戦略の安全性を明示的に検証する方法を提案する。
論文 参考訳（メタデータ） (2020-06-15T20:22:48Z)
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。