UAMM: UBET自动做市商
本文提出一种新的预测市场模型,使用风险度量来建模市场中的代理人,并引入市场制造商来描述交易过程,分析表明,整个市场有效地达到了全局目标,同时建立了机器学习与市场之间的密切联系。
Mar, 2014
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
本研究提出一种基于深度强化学习的解决方案来自适应性地调整价格范围,以实现最大化利润和减轻市场风险,并通过在集中式期货交易所中对流动性头寸进行再平衡来中和价格变动风险。该方法在ETH/USDC和ETH/USDT池中与现有基准相比表现出卓越的性能,为投资者提供了有价值的资产管理工具,并引入了一种新的DEX设计激励机制。
Sep, 2023
此研究论文探讨了在优化机器学习模型中寻找适当的损失函数的问题,以用于预测金融时间序列并构建算法投资策略。我们提出了平均绝对方向损失(MADL)函数,解决了传统预测误差函数在从预测中提取信息以创建有效的买卖信号方面的重要问题。最后,基于两个不同资产类别(加密货币:比特币和大宗商品:原油)的数据,我们证明了新的损失函数使我们能够为LSTM模型选择更好的超参数,并在样本外数据上获得更高效的投资策略,关于风险调整的回报指标。
Sep, 2023
该论文介绍了在去中心化的体育博彩中通过自动化做市商 UBET AMM (UAMM) 利用智能合约和算法公平定价体育赔率的方法,建立了一个链上博彩框架,该框架确保流动性、去中心化定价和全球可访问性,从而促进了无信任和高效博彩。
Aug, 2023
提出了第一个最优贝叶斯算法和第一个无模型数据驱动算法以在市场制造者的价格上实现优化,通过估算外部市场价格来平衡信息交易者的损失和噪声交易者的利润,无需价格预言机或损失预言机,并提供了理论上的性能保证和经济上对不同市场条件的稳健性实证表明。
Oct, 2023
在本文中,我们表明找到一个最优的市场制造商可以通过对偶的具有特定几何约束的最优运输问题实现。我们展示了在多种商品和逆向选择的情况下,最优机制可以利用捆绑销售和购买来改善价格,并有时接受“实物”支付。从方法论的角度来看,我们必需利用可微经济学工具来生成最优机制的猜想,并提供了使用这些工具指导理论研究的概念验证。
Feb, 2024
我们提出了一种新颖的基于代理的方法来模拟仅通过市场制造商进行交易,并且代理的可见性受到网络拓扑结构的限制的场外金融市场。我们证明了网络拓扑结构与市场制造商的结合可以探索各种市场结构的作用,包括价格行为、市场的形成以及不同市场制造商之间的套利效应。
May, 2024
本研究提出了一种新颖的资产定价方法AAPM,将大型语言模型代理的定性投资分析与定量金融经济因素相结合,以预测超额资产回报。实验结果表明,该方法在投资组合优化和资产定价误差上优于基于机器学习的传统资产定价基准。特别是异常投资组合的夏普比率和平均绝对α值分别显著提高了9.6\%和10.8\%。
Sep, 2024