論文の概要: Reinforcement Learning with Hawkes-Structured Networks for Market Making

• arxiv url: http://arxiv.org/abs/2610.16524v1
• Date: Mon, 12 Oct 2026 10:14:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 22:48:54.06246
• Title: Reinforcement Learning with Hawkes-Structured Networks for Market Making
• Title（参考訳）: 市場形成のためのホークス構造ネットワークによる強化学習
• Abstract要約: 一般のホークス秩序流力学を用いた市場形成のためのモデルフリー強化学習フレームワークを提案する。 我々は,学習可能なミックス・オブ・エクスポデンシャルズ・フィルタを通じて履歴秩序の流れを符号化する,新しいニューラルネットワークであるHawks-Structured Network(HSN)を紹介する。
• 参考スコア（独自算出の注目度）: 43.67937354386289
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Market making under realistic order-flow dynamics is challenging due to the clustered, self-exciting nature of order arrivals, which are naturally modeled by non-Markovian Hawkes processes. We propose a model-free reinforcement learning (RL) framework for market making with general Hawkes order-flow dynamics. We first establish non-asymptotic performance bounds that quantify the loss incurred by approximating the infinite-dimensional Hawkes state using a finite collection of exponentially weighted features. Guided by this analysis, we introduce the Hawkes-Structured Network (HSN), a novel neural architecture that encodes historical order flow through a learnable mixture-of-exponentials filter. HSN is trained end-to-end using model-free RL, jointly optimizing the feature representation and quoting policy directly from reward feedback. Experiments on single- and multi-asset market-making problems with mixture-of-exponentials, power-law, and regime-switching kernels demonstrate that HSN outperforms general-purpose neural architectures, achieving higher trading rewards while implicitly recovering the underlying order-flow intensities.
• Abstract（参考訳）: 現実的な秩序フローのダイナミックスの下での市場形成は、非マルコフ的ホークスプロセスによって自然にモデル化される、注文到着のクラスタ化と自己励磁の性質により困難である。 本稿では,一般のホークス秩序流力学を用いた市場形成のためのモデルフリー強化学習(RL)フレームワークを提案する。 まず、指数関数的に重み付けされた有限の集合を用いて無限次元のホークス状態の近似により得られた損失を定量化する非漸近的性能境界を確立する。 この分析で導かれたHawkes-Structured Network(HSN)は,学習可能なミックス・オブ・エクスポンシャルズ・フィルタを通じて,履歴秩序の流れを符号化する新しいニューラルネットワークである。 HSNはモデルフリーのRLを用いてエンドツーエンドで訓練され、特徴表現を最適化し、報酬フィードバックから直接ポリシーを引用する。 単一およびマルチアセットの市場形成問題に対する実験では、HSNは汎用神経アーキテクチャよりも優れており、高いトレーディング報酬を達成しつつ、基礎となる秩序フロー強度を暗黙的に回復することを示した。

関連論文リスト

• Unveiling the Mechanism of Continuous Representation Full-Waveform Inversion: A Wave Based Neural Tangent Kernel Framework [52.632217600064344]
  フルウェーブフォーム・インバージョン(FWI)は、限られた測定値から波動方程式の物理パラメータを推定する。 FWI法は初期モデルの精度に対する悪名高い感度によって制限されている。 連続表現 FWI (CR-FWI) の最近の進歩は、暗黙的ニューラル表現 (INR) のような座標ベースニューラルネットワークによるパラメータモデルを表現することで、初期モデルへの依存を緩和できることを実証している。
  論文  参考訳（メタデータ） (2026-03-23T03:22:33Z)
• A Hybrid Quantum-Classical Framework for Financial Volatility Forecasting Based on Quantum Circuit Born Machines [4.607454636271561]
  本稿では,古典的ニューラルネットワークの強力な表現能力と,量子モデルのユニークな利点を組み合わせることを目的とした,新しいハイブリッド量子古典計算フレームワークを提案する。 金融市場のボラティリティ予測の具体的な課題として,Long Short-Term Memory(LSTM)ネットワークとQuantum Circuit Born Machine(QCBM)を組み合わせたハイブリッドモデルの設計と実装を行った。 実験結果から,従来のLSTMベースラインモデルと比較して,我々のハイブリッド量子古典モデルは,Mean Squared Error (MSE), Root Mean Squared Error (RMSE), Qなど,複数の主要な指標に対して有意な優位性を示した。
  論文  参考訳（メタデータ） (2026-03-10T15:23:41Z)
• 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)
• Hybrid Quantum-Classical Neural Networks for Few-Shot Credit Risk Assessment [52.05742536403784]
  この仕事は、数発の信用リスク評価の課題に取り組む。 我々は、新しいハイブリッド量子古典ワークフローを設計、実装する。 量子ニューラルネットワーク(QNN)はパラメータシフト規則によって訓練された。 実世界の279のサンプルデータを用いて、QNNはシミュレーションで0.852 +/-0.027の堅牢な平均AUCを達成し、ハードウェア実験で0.88の印象的なAUCを得た。
  論文  参考訳（メタデータ） (2025-09-17T08:36:05Z)
• Quantum Reinforcement Learning Trading Agent for Sector Rotation in the Taiwan Stock Market [5.84010679412935]
  台湾株式市場におけるセクターローテーションのためのハイブリッド量子古典的強化学習フレームワークを提案する。 量子強化モデルは、常により高いトレーニング報酬を達成するが、それらは現実世界の投資指標において古典的なモデルより劣る。 この不一致は、金融分野に強化学習を適用する上での課題を浮き彫りにしている。
  論文  参考訳（メタデータ） (2025-06-26T01:29:19Z)
• InvFussion: Bridging Supervised and Zero-shot Diffusion for Inverse Problems [76.39776789410088]
  この研究は、教師付きアプローチの強いパフォーマンスとゼロショットメソッドの柔軟性を組み合わせたフレームワークを導入している。 新規なアーキテクチャ設計では、分解演算子を直接デノイザにシームレスに統合する。 FFHQとImageNetデータセットの実験結果は、最先端の後方サンプリング性能を示している。
  論文  参考訳（メタデータ） (2025-04-02T12:40:57Z)
• 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)
• CLVSA: A Convolutional LSTM Based Variational Sequence-to-Sequence Model with Attention for Predicting Trends of Financial Markets [12.020797636494267]
  生の金融トレーディングデータの特徴を変動的に捉えるハイブリッドモデルであるCLVSAを提案する。 本モデルでは,畳み込みニューラルネットワーク,バニラlstmネットワーク,シーケンシャル・ツー・シーケンスモデルなどの基本モデルよりも注目される。 実験の結果,clvsaは,近似後段の導入により,kullback-leibler 発散に基づく余分な正規化剤を活用し,トラップの過剰フィットを防止することができた。
  論文  参考訳（メタデータ） (2021-04-08T20:31:04Z)
• Kernel and Rich Regimes in Overparametrized Models [69.40899443842443]
  過度にパラメータ化された多層ネットワーク上の勾配勾配は、RKHSノルムではないリッチな暗黙バイアスを誘発できることを示す。 また、より複雑な行列分解モデルと多層非線形ネットワークに対して、この遷移を実証的に示す。
  論文  参考訳（メタデータ） (2020-02-20T15:43:02Z)

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。