論文の概要: SAiFE-gym: Model-based Environments for Automated Market Making with Concentrated Liquidity

• arxiv url: http://arxiv.org/abs/2609.17788v1
• Date: Tue, 15 Sep 2026 19:53:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.519789
• Title: SAiFE-gym: Model-based Environments for Automated Market Making with Concentrated Liquidity
• Title（参考訳）: SAiFE-gym:集中流動性を用いた自動市場形成のためのモデルベース環境
• Abstract要約: 我々は,一定商品市場(CPM)における取引問題と,集中流動性(CL)を併用したシミュレーション環境を提供するPythonモジュールであるSAi_gymを提案する。 これらの市場は、自己資本の配分方法のきめ細かい制御を与え、市場状況に応じて流動性の範囲を調整できるようにする。 我々は,CPMのマイクロ構造をCLで分解し,研究者や実践者が様々な経済環境を把握できるようにする。
• 参考スコア（独自算出の注目度）: 6.803908016694179
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present SAiFE_gym, a Python module that provides a collection of simulation environments for studying trading problems in Constant Product Markets (CPMs) with Concentrated Liquidity (CL). These markets give Liquidity Providers (LPs) granular control over how their capital is allocated and enable them to adjust their range of liquidity provision dynamically based on market conditions, which in turn, dictates how they earn fees. We decompose the microstructure of CPMs with CL in interactive components that allow researchers and practitioners to capture various economic settings. We employ a vectorized approach to optimize our environments, making them scalable for high dimensional Reinforcement Learning (RL) workflows that best describe sequential decision problems. We demonstrate the benefits of our environments by evaluating the performance of RL agents in CPMs with CL under uncertainty in market parameters.
• Abstract（参考訳）: 本稿では,CPM(Concentated Liquidity,集中流動性)の取引問題を研究するためのシミュレーション環境を提供するPythonモジュールであるSAiFE_gymを紹介する。 これらの市場は、自己資本の配分方法のきめ細かい制御を与え、市場条件に基づいて流動性供給の範囲を動的に調整できるようにする。 我々は,CPMのマイクロ構造をCLで分解し,研究者や実践者が様々な経済環境を把握できるようにする。 我々は、環境最適化のためにベクトル化されたアプローチを採用し、シーケンシャルな決定問題を最もよく記述する高次元強化学習(RL)ワークフローにスケーラブルにする。 我々は,市場パラメータの不確実性の下でCLを用いたCPMにおけるRLエージェントの性能を評価することにより,環境の利点を実証する。

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)
• Market-Bench: Benchmarking Large Language Models on Economic and Trade Competition [102.73682784993169]
  本稿では,経済関連タスクにおける大規模言語モデル(LLM)の能力を評価するベンチマークであるtextbfMarket-Benchを紹介する。 我々は、LLMが商品の調達・販売を担当する小売業者として機能するマルチエージェントサプライチェーン経済モデルを構築した。 Market-Benchは入札、価格、スローガン、販売、バランスシートの完全な軌跡を記録し、経済、運用、セマンティックメトリクスによる自動評価を可能にしている。
  論文  参考訳（メタデータ） (2026-04-07T07:23:51Z)
• 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)
• 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)
• Reinforcement Learning-Based Market Making as a Stochastic Control on Non-Stationary Limit Order Book Dynamics [0.0]
  強化学習(Reinforcement Learning)は、適応型およびデータ駆動型戦略を開発するための有望なフレームワークとして登場した。 本稿では,市場形成における強化学習エージェントの統合について考察する。
  論文  参考訳（メタデータ） (2025-09-15T21:08:13Z)
• VAE-GAN Based Price Manipulation in Coordinated Local Energy Markets [3.498661956610689]
  本稿では,地域エネルギー市場(LEM)における不均一分散エネルギー資源(DER)との協調モデルを提案する。 提案手法は,マルチエージェントディープ決定性ポリシー勾配(MADDPG)に基づくデータ駆動型モデルフリー強化学習手法を利用する。 本研究では,変動型自動エンコーダ生成敵ネットワーク(VAE-GAN)モデルを用いた価格操作戦略について検討する。
  論文  参考訳（メタデータ） (2025-07-26T07:38:27Z)
• Improving DeFi Accessibility through Efficient Liquidity Provisioning with Deep Reinforcement Learning [0.3376269351435395]
  本稿では,DeFiプロトコルにおける流動性提供を最適化するために,深層強化学習(DRL)を適用した。 より効率的な流動性管理を促進することで、この取り組みはDeFi市場をよりアクセスしやすくし、幅広い参加者を包括的にすることを目的としている。
  論文  参考訳（メタデータ） (2025-01-13T17:27:11Z)
• R-AIF: Solving Sparse-Reward Robotic Tasks from Pixels with Active Inference and World Models [50.19174067263255]
  我々は、エージェントがスパース・リワード、継続的なアクション、ゴールベースのロボット制御POMDP環境においてエクササイズするのを助けるために、事前の選好学習手法と自己修正スケジュールを導入する。 我々のエージェントは、累積報酬、相対安定性、成功率の観点から、最先端モデルよりも優れたパフォーマンスを提供する。
  論文  参考訳（メタデータ） (2024-09-21T18:32:44Z)
• When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
  LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
  論文  参考訳（メタデータ） (2024-07-15T06:49:30Z)
• Towards Multi-Agent Reinforcement Learning driven Over-The-Counter Market Simulations [16.48389671789281]
  オーバー・ザ・カウンタ市場において,流動性提供者と流動性取扱業者が相互作用するゲームについて検討した。 互いに対戦することで、深層強化学習主体のエージェントは創発的な行動を学ぶ。 遷移性仮定の下で,多エージェントポリシー勾配アルゴリズムの収束率を示す。
  論文  参考訳（メタデータ） (2022-10-13T17:06:08Z)
• Multi-Asset Spot and Option Market Simulation [52.77024349608834]
  正規化フローに基づく1つの基盤となる1つのマーケットシミュレータを現実的に構築する。 本研究では, 正規化流れの条件付き可逆性を活用し, 独立シミュレータの連立分布をキャリブレーションするスケーラブルな手法を提案する。
  論文  参考訳（メタデータ） (2021-12-13T17:34:28Z)

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。