Apr, 2018

强化学习市场做市

PDF
TL;DR本文提出了一种高保真度的极限订单簿交易市场模拟，并使用其设计了一个使用时序差分强化学习方法的市场制造代理，为此我们使用线性组合的 “瓷砖编码” 作为价值函数逼近器，并设计了一个自定义的奖励函数，控制库存风险。通过显示我们的代理优于简单基准策略和文献中的最新在线学习方法，我们展示了我们方法的有效性。
发现论文，激发创造
  • 使用深度强化学习从限价单簿中进行市场做市

    本论文提出了一种基于强化学习的市场做市策略，使用卷积神经网络和注意力机制从限价单簿中提取特征，获得了良好的应用效果。

    May, 2023

  • 最优市场做市

    本研究提出了一个通用建模框架，综合了文献中提出的各种建模方法，证明了最优市场制造策略的存在和特征，并针对多资产市场制造将模型框架扩展至通用的闭式近似方法。

    May, 2016

  • 企业债市场做市的深度强化学习：打败维度诅咒

    该研究提出了一种基于深度神经网络的模型的 Actor-Critic 算法，用于解决市场做市商在企业债券市场中的报价优化问题。

    Oct, 2019

  • 通过对抗式强化学习的强健市场做市

    本研究证明对抗强化学习 (ARL) 可以用于产生适应性强、抗干扰的做市商代理。我们将 Avellaneda 和 Stoikov [2008] 的单一代理模型转化为做市商和对手之间的离散时间零和游戏，实验证明 ARL 方法的性能改善显著，收敛到纳什均衡。

    Mar, 2020

  • 应对库存风险：市场做市问题的解决方案

    本研究探讨了市场制造商在股票交易中所面临的复杂优化问题，通过建立随机控制问题的模型，研究了制造商的收益与风险的平衡，得到了一组线性常微分方程的解，并基于对最优行情的谱特性提出了一种简单的近似方法。

    May, 2011

  • 融合逐笔数据和周期信号用于高频市场做市

    该研究旨在解决高频交易中市场制造的问题，提出了一种深度强化学习方法，将 tick-level 数据与周期性预测信号融合，以开发更精准、更强韧的市场制造策略，并在加密货币市场模拟场景和实际数据实验中得到了优越的收益和风险管理表现。

    Jun, 2023

  • IMM: 一种基于预测表示学习的模仿式强化学习方法用于自动市场做市

    根据实验结果，在四个真实市场数据集上进行的综合实验表明，基于模拟市场制造者的强化学习框架（IMM）在多个金融指标方面优于当前基于强化学习的市场制造策略，其模型组成的有效性得到了验证。

    Aug, 2023

  • 结合订单簿的深度学习和强化学习进行盈利交易

    应用深度学习和强化学习结合，利用订单流量失衡进行多时间段预测收益的研究，为五种金融工具提供交易信号，并通过回测模拟和前期测试在零售交易平台验证了模型的潜力，但还需要进一步修改以应对零售交易成本、滑点和点差的波动。

    Oct, 2023

  • 交易市场的稳健风险敏感的强化学习智能体

    提出了一系列用于对付高波动性、高代价探索、多智能体交互等具有挑战性的贸易市场的强化学习算法，并将其应用于多智能体环境。这些算法不仅考虑风险意识、扰动下的鲁棒性和低学习方差，还进行了实证博弈理论的扩展。

    Jul, 2021

  • 交易的深度强化学习

    采用深度强化学习算法设计交易策略，测试其在 50 种流动性最强的期货合约中的表现，并对商品、股票指数、固定收益和外汇市场等不同资产类别进行研究，证明该算法可以超越传统的时间序列动量策略模型，在重交易成本情况下实现正收益，且能够跟随市场趋势不改变仓位，并在调整期间进行缩减或持有。

    Nov, 2019