論文の概要: When and How Order-Flow Interventions Work After Dealers Adapt
- arxiv url: http://arxiv.org/abs/2610.18158v1
- Date: Tue, 13 Oct 2026 11:02:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.597608
- Title: When and How Order-Flow Interventions Work After Dealers Adapt
- Title（参考訳）: ディーラーが適応した後、いつ、どのように秩序流のインターベンションが機能するか
- Abstract要約: 本稿では,ステート・スコーラ,コミット・スケジューラ,Quote-to-Flowアロケータの3つの部分からなるパブリック・オーダー・フロー契約を提案する。
我々のペア化された再適応プロトコルは、ディーラーが共有されたチェックポイントから各ルールに再適応し、一度に1つのリンクを切断することを可能にする。
主要設定では、高リスク取引のコストが上昇し、州の調整は高リスクコストの1.38倍以上の低リスクコストの会場でのみ支払われる。
- 参考スコア（独自算出の注目度）: 9.822914017432462
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning dealer agents can settle on persistently wide quotes, raising what customers pay to trade. A venue can route more orders to tighter quotes, but a wide quote may reflect real risk, and once dealers adapt, an end-to-end comparison cannot show why a rule works: because it intervenes more, picks better moments, is announced in advance, or rewards the right quote. We propose SOFA (State-aligned Order-Flow Allocation), a public order-flow contract with three parts: a State Scorer ranks market states from lagged public data, a Commitment Scheduler announces a budgeted intervention strength before dealers quote, and a Quote-to-Flow Allocator shifts a bounded share of fixed customer demand toward tighter quotes. Our paired re-adaptation protocol gives competing rules the same intervention strengths, only re-timed, lets dealers re-adapt to each rule from a shared checkpoint, and breaks one link at a time. Across 20 independently trained dealer populations in an ABIDES market, concentrating the intervention in states that the score ranks as low-risk lowers low-risk execution cost relative to random timing in every population, by 0.040 tick on average, while a stale announcement or a broken quote-to-flow link raises this cost. In the primary setting the gain comes at the expense of high-risk trades, whose costs rise, so state alignment pays off only for a venue that weighs low-risk costs more than 1.38 times as heavily as high-risk costs. Our code is available at https://github.com/moderncavemann/state-aligned-order-flow-contracts.
- Abstract（参考訳）: ディーラーエージェントの学習は、顧客が取引に支払う金額を引き上げ、広範に見積もることができる。
会場はより多くの注文を引用にルーティングすることができるが、広い引用は実際のリスクを反映し、ディーラーが適応すると、エンドツーエンドの比較はルールが機能する理由を示すことができない。
本稿では,3つの部分からなる注文フロー契約であるSOFA(State-aligned Order-Flow Allocation)を提案する。すなわち,ステート・スコーラーが市場状態をラベル付き公開データからランク付けし,コミット・スケジューラがディーラーの引用に先立って予算付き介入強度をアナウンスし,Quote-to-Flow Allocatorが固定顧客需要の有界シェアをより厳密な引用にシフトする。
我々のペア化された再適応プロトコルは、競合するルールに同じ介入強度を与え、再タイムだけを与え、ディーラーが共有されたチェックポイントから各ルールに再適応させ、一度に1つのリンクを壊す。
ABIDES市場における20人以上の個別に訓練されたディーラー集団は、低リスクとしてランク付けされたスコアが、各人口のランダムなタイミングに対する低リスク実行コストを平均0.040ギット下げる一方で、古い発表や引用フローリンクが壊れたことにより、このコストが上昇する、という状況に介入することに集中している。
主要設定では、高リスク取引のコストが上昇し、州の調整は高リスクコストの1.38倍以上の低リスクコストの会場でのみ支払われる。
私たちのコードはhttps://github.com/ Moderncavemann/state-aligned-order-flow-contractsで利用可能です。
関連論文リスト
- Parallelism or Concession? Concurrency-Aware Procurement Negotiation for Agentic Commerce [7.874408831332044]
本稿では,1つのハードデッドラインネゴシエーションウィンドウを用いた1ユニットのポストオーダーソーシング問題について検討する。
このモデルは、製品固有の受け入れ曲線と、充足損失、スレッドごとのコスト、過剰なコミットコストを組み合わせる。
コンカレンシー・アウェア・ネゴシエーション(CANO)におけるこれらの結果を運用する。
CANOは、エージェント調達システムに対する最適な交渉と調達価格上限を決定する。
論文 参考訳（メタデータ） (2026-10-05T09:15:47Z) - Your Agent Says Yes: Interpreting Adversarial Market Behavior Beyond Individual Transactions [10.389245712646073]
トランザクションローカルコントロールは、ひとつの財務要求が進むかどうかに答えるが、市場の振る舞いはメッセージ、エージェント、アセット、時間に分散することができる。
10個のロール条件付き言語モデルエージェントで区切られた仮想交換器におけるこの解釈ギャップについて検討する。
論文 参考訳（メタデータ） (2026-09-07T16:01:58Z) - REFLEX: Reflexive Equilibrium Fixed-point Learning for Endogenous eXchanges [0.8229230247488495]
社債市場では、ディーラーは入札を引用して価格を問うことで競う。
Tighterの引用は、より多くのビジネスを引き寄せる一方で、顧客に対して、悪い価格変動よりも先に取引する可能性が高いことを知らせる。
ディーラーが言葉の引用に機械学習を使うようになると、彼らは自分の引用を惹きつける取引でこれらのモデルを再び訓練する。
論文 参考訳（メタデータ） (2026-08-17T06:19:06Z) - Anchor-and-Resume Concession Under Dynamic Pricing for LLM-Augmented Freight Negotiation [5.225967186005105]
ライヴスプレッドから$を導出することで、適応が可能になるが、新しい問題が発生する: 価格変更によって、公式が以前のオファーを撤回し、モノトニック性に違反する可能性がある。
両制約に対処する2次元アンカー・アンド・レジュームフレームワークを提案する。
スプレッド由来の$$は、各負荷のマージン構造を正しい譲歩姿勢にマッピングする一方、アンカー・アンド・レジューム機構は、任意の価格シフトの下で単調に非減少するオファーを保証する。
論文 参考訳（メタデータ） (2026-04-22T16:17:07Z) - 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) - A Primal-Dual Online Learning Approach for Dynamic Pricing of Sequentially Displayed Complementary Items under Sale Constraints [54.46126953873298]
顧客に対して順次表示される補完アイテムの動的価格設定の問題に対処する。
各項目の価格を個別に最適化するのは効果がないため、補完項目のコヒーレントな価格ポリシーが不可欠である。
実世界のデータからランダムに生成した合成設定を用いて,我々のアプローチを実証的に評価し,制約違反や後悔の観点からその性能を比較した。
論文 参考訳（メタデータ） (2024-07-08T09:55:31Z) - Assistive Large Language Model Agents for Socially-Aware Negotiation Dialogues [47.977032883078664]
我々は,ビジネス交渉における対話者を支援する大規模言語モデル(LLM)に基づく支援エージェントを開発する。
第3のLLMは、交渉結果を改善するための基準に違反した発話を書き換える仲介役として機能する。
3つの異なる交渉トピックにわたる交渉において,その効果を示すための実証的証拠を豊富に提供する。
論文 参考訳（メタデータ） (2024-01-29T09:07:40Z) - Online Learning under Budget and ROI Constraints via Weak Adaptivity [57.097119428915796]
制約付きオンライン学習問題に対する既存の原始双対アルゴリズムは、2つの基本的な仮定に依存している。
このような仮定は、標準の原始双対テンプレートを弱適応的後悔最小化器で与えることによって、どのように回避できるのかを示す。
上記の2つの前提が満たされていない場合に保証される、世界の最高の保証を証明します。
論文 参考訳（メタデータ） (2023-02-02T16:30:33Z) - Autoregressive Bandits [58.46584210388307]
本稿では,オンライン学習環境であるAutoregressive Banditsを提案する。
報酬プロセスの軽微な仮定の下では、最適ポリシーを便利に計算できることが示される。
次に、新しい楽観的後悔最小化アルゴリズム、すなわちAutoRegressive Upper Confidence Bound (AR-UCB)を考案し、$widetildemathcalO left( frac(k+1)3/2sqrtnT (1-G)のサブ線形後悔を被る。
論文 参考訳（メタデータ） (2022-12-12T21:37:36Z) - A New Bandit Setting Balancing Information from State Evolution and
Corrupted Context [52.67844649650687]
本稿では,2つの確立されたオンライン学習問題と包括的フィードバックを組み合わせた,逐次的意思決定方式を提案する。
任意の瞬間にプレーする最適なアクションは、エージェントによって直接観察できない基礎となる変化状態に付随する。
本稿では,レフェリーを用いて,コンテキストブレイジットとマルチアームブレイジットのポリシーを動的に組み合わせるアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-11-16T14:35:37Z)
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。