論文の概要: Robust Market Making with Hawkes Order Flow and Price Impact via Adversarial Reinforcement Learning

• arxiv url: http://arxiv.org/abs/2609.22785v1
• Date: Sat, 19 Sep 2026 05:32:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.553725
• Title: Robust Market Making with Hawkes Order Flow and Price Impact via Adversarial Reinforcement Learning
• Title（参考訳）: 逆強化学習によるホークス秩序流と価格影響によるロバスト市場形成
• Abstract要約: 我々は、市場形成のための敵対的強化学習を、ホークスの自己刺激的な注文到着と貿易による価格影響により、より複雑な環境に拡張する。 提案手法は, 複雑なマイクロ構造環境において, 左テール性能の向上を実現する。 その結果、対人訓練と時間的状態表現を組み合わせることで、強化学習に基づく市場形成戦略の堅牢性を向上させることが示唆された。
• 参考スコア（独自算出の注目度）: 2.947519010495826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Market-making strategies in real limit order book markets face substantial model uncertainty and regime-shift risk. Existing adversarial reinforcement learning approaches improve robustness by formulating the Avellaneda--Stoikov market-making problem as a zero-sum game between a market maker and an environmental adversary. However, these approaches typically rely on Poisson order arrivals and neglect trade-induced price impact, limiting their ability to capture important high-frequency market microstructure effects such as clustered order flow, self-excitation, and post-trade price feedback. We extend adversarial reinforcement learning for market making to a more complex environment with Hawkes self-exciting order arrivals and trade-induced price impact. To mitigate the increased non-stationarity introduced by the expanded regime space, we incorporate an LSTM module that explicitly models the temporal structure of recent observations. We further characterize the equilibrium properties of the proposed framework through both game-theoretic analysis and numerical experiments, and introduce a robustness evaluation protocol focused on improvements in the left tail of the return distribution. Experimental results across a range of market regimes show that the proposed method achieves improved left-tail performance in most complex microstructure environments. In particular, the gains are pronounced in regimes with strong Hawkes excitation and low-to-moderate price impact. Bootstrap tests provide no evidence that these improvements are obtained through a stronger terminal directional inventory bias. These results suggest that combining adversarial training with temporal state representation can improve the robustness of reinforcement-learning-based market-making strategies under order-flow self-excitation, price impact, and regime uncertainty.
• Abstract（参考訳）: リアルリミテッド・オーダーの市場形成戦略は、実質的なモデルの不確実性と政権交代リスクに直面している。 既存の敵強化学習アプローチは、市場メーカと環境敵とのゼロサムゲームとして、Avellaneda-Stoikov市場形成問題を定式化することで堅牢性を向上させる。 しかしながら、これらのアプローチは一般的にポアソンの注文到着と貿易による価格への影響を無視し、クラスタ化された注文フロー、自己励磁、取引後の価格フィードバックなどの重要な高周波市場マイクロ構造効果を捉える能力を制限する。 我々は、市場形成のための敵対的強化学習を、ホークスの自己刺激的な注文到着と貿易による価格影響により、より複雑な環境に拡張する。 拡張レギュレーション空間によって導入された非定常性の増加を緩和するため、最近の観測の時間構造を明示的にモデル化するLSTMモジュールを組み込んだ。 さらに,ゲーム理論解析と数値実験により,提案手法の平衡特性を解析し,リターン分布の左尾部の改善に着目したロバスト性評価プロトコルを導入する。 提案手法は, 複雑なマイクロ構造環境において, 左テール性能の向上を図っている。 特に、ホークスの強い励起と低-モデレートの価格影響を持つ政権では、利回りが顕著である。 ブートストラップテストは、これらの改善がより強力な端末方向の在庫バイアスによって得られるという証拠を示さない。 これらの結果から, 対人訓練と時間的状態表現を組み合わせることで, 秩序フロー自己励磁, 価格影響, 状態不確実性の下での強化学習に基づく市場形成戦略の堅牢性を向上させることが示唆された。

関連論文リスト

• 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)
• Game-Theoretic Modeling of Heterogeneous Investor Interactions for Stock Price Forecasting [41.72855212921341]
  株価予測のための不均一な投資家相互作用を捉えるゲーム理論モデリング手法を提案する。 当社の手法は、最先端の株価予測手法を効果的に上回る。
  論文  参考訳（メタデータ） (2026-05-11T03:24:07Z)
• 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)
• Mitigating Reward Hacking in RLHF via Bayesian Non-negative Reward Modeling [49.41422138354821]
  非負の因子分析をBradley-Terry選好モデルに統合する原理的報酬モデリングフレームワークを提案する。 BNRMは、スパースで非負の潜在因子生成過程を通じて報酬を表す。 BNRMは報酬の過度な最適化を著しく軽減し、分布シフトによるロバスト性を改善し、強いベースラインよりも解釈可能な報酬分解をもたらすことを示す。
  論文  参考訳（メタデータ） (2026-02-11T08:14:11Z)
• Quenching Speculation in Quantum Markets via Entangled Neural Traders [3.772855715019728]
  提案する量子株式市場は, トレーダーのバリュエーション間の絡み合いを緩和し, 投機的バストの脱算特性を緩和する。 一つの商品を取引する強化学習エージェントを用いて、古典的バリュエーションを量子関連量子ビット符号化のバリュエーションに置き換えることが価格を安定させることを示す。 この振る舞いを説明するために、投機力学の標準モデルである$p$-guessing Gameの量子化バージョンを定式化し、解析する。
  論文  参考訳（メタデータ） (2026-02-06T03:51:40Z)
• 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-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)
• CSPO: Cross-Market Synergistic Stock Price Movement Forecasting with Pseudo-volatility Optimization [14.241290261347281]
  Pseudo-volatility Optimization (CSPO)によるクロスマーケット・シナジーの枠組みを紹介する。 CSPOは、外部の未来の知識を活用するために効果的なディープ・ニューラル・アーキテクチャを実装している。 CSPOは、ストック固有の予測信頼性をモデル化するために擬似ボラティリティを取り入れている。
  論文  参考訳（メタデータ） (2025-03-26T18:58:15Z)
• Perturbation-Invariant Adversarial Training for Neural Ranking Models: Improving the Effectiveness-Robustness Trade-Off [107.35833747750446]
  正統な文書に不可避な摂動を加えることで 敵の例を作れます この脆弱性は信頼性に関する重大な懸念を生じさせ、NRMの展開を妨げている。 本研究では,NRMにおける有効・損耗トレードオフに関する理論的保証を確立する。
  論文  参考訳（メタデータ） (2023-12-16T05:38:39Z)
• Empirical Study of Market Impact Conditional on Order-Flow Imbalance [0.0]
  署名された注文フローに対して,注文フローの不均衡の増加に伴い,価格への影響は線形に増大することを示す。 さらに,注文フローにサインされた市場への影響を予測するために,機械学習アルゴリズムを実装した。 この結果から,機械学習モデルを用いて財務変数を推定できることが示唆された。
  論文  参考訳（メタデータ） (2020-04-17T14:58:29Z)

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。