BSE：一种极限指令簿证券交易所的最小模拟

价格可以是常数，或者根据时间的确定函数生成，或者从随机函数随机生成：可以很容易地构造条件异方差价格生成函数通过调用交易员的sgetorder（）方法，随机选择一个交易员发出当前响应：这将返回value None，表示交易员当前没有发出报价，或者返回报价，即要添加到LOB的新订单；如果是这种情况，则BSE通过名为process\\u order（）的方法处理订单然后，通过调用BSE的publish\\u LOB（）方法，将更新的LOB提供给所有交易员。o如果处理订单导致交易，相关交易人员会通过调用bookkeep（）进行必要的簿记，更新他们的记录簿每个交易者都有机会通过调用交易者的respond（）方法来更新影响其交易行为的内部值。在这之前，需要调用populate\\u market（）方法来填充市场，这是确定交易员数量和每个交易员类型的地方。因此，BSE模拟器的核心环路类似于图4所示的代码。为了进行适当的严格评估，在现实的各种市场条件下比较不同的交易机器人，有必要运行多个统计上独立的会话序列，然后根据结果计算适当的汇总统计数据，并/或对结果进行适当的统计显著性测试。这在疯牛病中很容易做到。

然而，要确定哪一位机器人交易员在众多不同的供需计划中表现最佳，以及机器人类型的数量和比例不同，可能需要进行大量的单独市场试验。在教学环境中，这是一个优势：BSE定期生成超大数据集的能力可以用来激励学生学习管理、可视化和分析大型数据集的“大数据”工具和技术。3.4. 在BSEDe Luca et al.（2011）和Cartlidge&Cliff（2012）中，改变供需计划讨论了在模拟市场中探索交易代理的必要性，这些模拟市场比机器人交易者相互交互和/或与人类交易者交互的初步实验研究中使用的更为现实。当前版本的BSE可以配置为运行“传统”经济实验，在静态均衡供应/需求计划和周期性同时补充订单之间切换，但也可以配置为连续“点滴式”补充，以及供需计划中的细粒度动态变化，因此也是在市场均衡中。BSE允许客户订单以连续的随机流到达，而不是周期性地让每个交易员在同一时刻收到新的客户订单。

这种对客户订单的全面定期补充是因弗农·史密斯（InvernonSmith）在（Smith，1962年）报告的开创性（随后获得诺贝尔奖）实验中引入的，此后许多实验者都使用了该实验，但是，有充分的理由希望探索模拟实验，而不是不断补充：在许多现实世界的市场中，在大多数时候，订单流是订单不断随机流入市场的过程。有关这方面的更多讨论，请参见Cliff&Preist（2001），De Luca et al.（2011）。图4：疯牛病市场时段的主回路。有关更多说明，请参阅文本。4、BSE-IN-USEBSE成立于2012年，旨在满足我们对一个单元/模块的教学需求，该单元/模块目前被称为互联网经济和金融技术，可供布里斯托尔大学硕士生使用。自那以后的六年里，大约有250名硕士生在课程作业中使用了BSEin，通常要求学生开发和测试自己的机器人交易员。在一些年里，作业要求学生创建一个销售机器人（如上所述），而在另一些年，学生创建一个专有的交易机器人，该机器人从一笔钱开始，然后自己买卖，试图通过以高于购买价格的价格出售所购买的每件东西来获利。学生对使用疯牛病的反馈普遍很积极，该模块的几名毕业生已经在主要投资银行和对冲基金找到了长期工作。有关疯牛病在教学中使用的更多详细讨论，请参见（Cliff，2018）。图5:BSEmarkets的交易价格时间序列样本，供需变化剧烈。改变市场的均衡价格。横轴是以秒为单位的时间；纵轴是价格。

数据点是单个事务。平衡价格由水平虚线表示：在第一分钟=1.00美元，然后在t=60时出现顶部=2.50美元的冲击变化，然后再过一分钟，平衡价格在t=120顶部=1.00美元处再次发生冲击变化。在每个时间序列中，交易者对均衡价格的阶跃变化的反应是明确的，因为均衡价格在att=60上升，在t=120下降。每个市场有40个买家和40个卖家：上图显示了GVWY交易员市场的结果；较低的图形显示是由ZIP交易员市场造成的。最近，疯牛病已被用作研究工作的基础，最近在（le Calvez&Cliff2018）中进行了描述，探讨了如何利用深度学习神经网络（DLNNs：参见Krizhevsky等人，2012）在CDAmarkets中复制适应性交易者的行为。DLNNs是一种当代机器学习技术，已成功证明其在广泛的高挑战性应用领域中表现得出奇地好，但通常只有在传统标准下非常庞大的数据集上进行培训时才能表现良好。

正如Tibrewal（2017）首次证明的那样，BSE可以很容易地在DLNN培训所需的数量中生成数据，他展示了通过培训DLNN网络在BSE中复制特定ZIP机器人贸易活动的成功结果，从而证明DLNN可以学习在基于LOB的CDAmarkets中进行贸易；le Calvez（2018）最近复制了Tibrewal\'swork，并通过展示一位DLNN trainedrobot交易员成功运营、在疯牛病现场交易、有时表现优于生成培训数据的交易员，对其进行了扩展：有关更多详细信息，请参阅le Calvez&Cliff（2018）。为了说明这一点，图6显示了在疯牛病中启动22750个连续独立实验序列所需的顶级Pythoncode，每个实验持续5分钟的模拟时间，使用不同比例的ZIP、ZIC、GVWY和SHVR机器人，将市场上的贸易商总数固定在32个（16个工作购买订单和16个工作销售订单），为每种可能的排列记录50个单独的实验，从所有32名交易员都是同一类型的同质市场，到四种机器人策略中每种都有8名交易员运行的情况。要明确这一点，需要不到40行代码：有兴趣学习市场动态或评估自己设计的机器人交易算法性能的学生可以在图6所示的代码级别上操作：他们不需要了解BSE LOB的实施细节或已编码的机器人交易商阵列；所有这些细节都被抽象出来了，学生只需了解如何与BSE LOB的接口以及通用Trader对象类的接口进行交互。5.

讨论和进一步的工作快速浏览网络，可以发现各种各样的股票市场模拟器，其中许多是针对想要评估自动化策略的日间交易员。这些模拟程序几乎总是被设计用来处理股票价格的历史数据：通过对历史数据的回溯测试，可以估计一个自动交易策略如果在现场运行会赚（或损失）多少钱。显然，疯牛病与此类交易模拟器有很大不同，但这有很好的理由。很少有TradingSimulator处理2级数据（即使用完整的LOB，逐单更改），获取此类数据的成本通常非常高。更根本的是，基于历史市场数据的交易模拟师通常无法模拟市场影响，在这种情况下，购买或出售大量工具会改变需求和/或供应曲线，从而改变工具的均衡价格。从这个意义上说，传统的交易模拟器要求交易者（人类或自动化的）仅作为价格接受者，在timet以屏幕上显示的任何价格进行交易，无论历史数据显示该工具在timet交易的价格如何。无论他们在时间t卖出1股还是1000万股，卖出后的价格仍将是历史数据显示的时间t+1时的价格。然而，事实上，1000万股左右的股票几乎肯定会压低价格，而出售一股股票根本不会。与交易机器人处理历史数据不同，疯牛病中的交易机器人可以成为价格制定者：他们的活动可以改变供求，他们可以产生并必须应对市场影响。

从这个意义上讲，疯牛病的情况更像是一个现代的“黑池”，一个私人在线交易所，在这里，相对较少的交易者聚集在一起进行大额交易：黑池的参与者通常是为大型银行或基金管理公司工作的交易者，交易大量可交易工具。然而，与实际市场相比，系统中缺少任何延迟可能是最大的问题。在交易所引入模拟延迟相对容易（因此，交易员在时间t接收到的LOB数据实际上更早地反映了时间t–t的LOB状态），我们还可以产生“通信延迟”，以便当atrader在时间t发出订单时，它在某个时间t+t后才到达交易所，但在单线程模拟中，要准确地建模每个交易者的处理延迟，需要做大量的工作。也就是说，在当前版本的BSE中，每个贸易商只要想处理其respond（）方法，就可以得到它想要的时间，而在现实中，很多工作都是为了尽可能降低自动交易系统的响应时间，同时仍然能够产生有利可图的行为。为了更好地模拟真实市场系统，我们需要切换到多线程实现，和/或将BSE配置为多虚拟机或物理机上的分布式客户机-服务器体系结构。这仍然是进一步工作的下一步。致谢Ash Booth博士将Vytelingum（2006）AA robottrader策略的Python代码添加到BSE GitHub存储库中，他当时在南安普顿大学，现在是汇丰银行人工智能主管；我非常感谢阿什对疯牛病的贡献。

还要感谢所有其他通过完整请求、编辑和分叉在GitHub上为疯牛病做出贡献的人。图6：顶级Python代码，用于对GVWY、SHVR、ZIC和ZIP类型的32名交易员（16名买家和16名卖家）进行实验；四类交易者的比率在所有可能的非零值中系统地变化，并针对每个特定比率进行50次独立试验。图5中所示的主BSE循环被包装到一个作为market\\u session（）调用的方法中。这里的嵌套循环导致总共执行22750次试验，在单个CPU上需要几个小时的连续计算。由于每次试验都是独立的，因此这项任务的并行性令人尴尬：原则上，22750台单独的机器（例如，从云服务提供商按小时付费租用的虚拟机/实例数量）可以并行执行必要的计算，只需几秒钟。参考BSE，2012年。GitHub开源代码库athttp://github.com/davecliff/BristolStockExchange/Cartlidge，J.和Cliff，D.，2012年。探索实验性人类算法市场中的“机器人相变”。英国政府科学办公室，《远见项目：金融市场中计算机交易的未来》，Driver ReviewDR 25。https://bit.ly/2llHjbh.Cliff，D.，1997年。市场环境中谈判行为的最低情报代理。HP实验室技术报告HPL-97-91。www.hpl。hp。com/techreports/97/HPL-97-91。pdfCliff，D.和Preist C.，2001年。无穷无尽的日子：关于实验单周期CDAmarkets的稳定性。HP实验室技术报告HPL-2001-325。www.hpl。hp。com/techreports/2001/HPL-2001-325。pdfCliff，D.，2018年。一个免费的开源限购书籍模拟器，用于教学和研究。

提交至2018年11月在印度班加罗尔举行的IEEE计算智能系列研讨会金融工程计算智能（CIFEr）轨道。Das，R.、Hanson，J.、Kephart，J.、Tesauro，G.，2001年。连续双重拍卖中的代理-人交互。《人工智能国际联合会议论文集》（IJCAI\'01）。le Calvez，A.，2018年。学习成为一名金融交易者：在连续双重拍卖中探索神经网络。布里斯托尔大学计算机科学系硕士论文。le Calvez，A.和Cliff，D.，2018年。深度学习可以在金融市场的限价订单中复制适应性交易者。提交至2018年11月在印度班加罗尔举行的IEEE ComputationalIntelligence系列研讨会上的金融工程计算智能（CIFEr）跟踪。De Luca，M.，&Cliff，D.，2011年。人类代理人拍卖相互作用适应性攻击性代理人占主导地位。《人工智能国际联合会议论文集》（IJCAI-2011）。De Luca，M.，Cartlidge，J.，Szostek，C.，和Cliff，D.，2012年。研究人类交易者和算法交易系统之间的相互作用。英国政府科学办公室，《远见项目：金融市场计算机交易的未来》，DriverReview DR13。https://bit.ly/2llv52c.DeLuca，M.，2016年。自适应算法交易系统。布里斯托尔大学计算机科学系博士论文。Gjerstad，S.&Dickhaut，J.，1998年。价格形成不可重复拍卖。游戏与经济行为，22（1）：1-29。Gode，D.&Sunder，S.，1993年。零智力交易者市场的配置效率：市场作为个人理性的部分替代品。

《政治经济学杂志》，101（1）：119-137。Krizhevsky，A.、Sutskever，I和Hinton，G.，2012年。使用深度卷积神经网络进行图像网分类。过程中。第25届国际神经信息处理系统会议，第1卷（NIPS\'12），F.Pereira等人（编辑），第1097-1105页。Rust，J.、Miller，J.，&Palmer，R.，1992年。交易自动机在计算机化双重拍卖市场中的行为。在D.Friedman和J.Rust（编辑）的《双重拍卖市场：制度、理论和证据》。Addison-Wesley，第155-198页。Smith，V.，1962年。对竞争性市场行为的实验研究。J、 政治。经济，70（2）：111-137。Stotter，S.，Cartlidge，J.，和Cliff，D.，2013年。探索金融市场实验中的分配适应性（ASAD）交易代理，载于《第五届代理与人工智能国际会议论文集》（ICAART）。J、 Filipe&A.Fred，（编辑）。巴塞罗那：科学出版社，第1卷。第77-88页。Stotter，S.，Cartlidge，J.，和Cliff，D.，2014年。使用交易所门户网站（ExPo）对金融交易代理的行为调查。摘自：N.Nguyen等人（编辑）《计算集体智能交易》（Transactions on Computical CollectiveIntelligence XVII）。Springer，第22-45Tibrewal页，K.，2017年。神经网络能成为交易者吗？使用布里斯托尔证券交易所探索机器学习。孟博士论文，布里斯托尔大学计算机科学系。Vytelingum，P.，2006，《连续双重拍卖的结构和行为》。南安普顿大学电子与计算机科学学院博士论文。Vytelingum，P.、Cliff，D.、Jennings，N.2008年。“连续双重拍卖中的战略投标”。人工智能，172（14）：17001729。作者传记DaveCliff是英国布里斯托尔大学计算机科学的全职教授，在过去的11年中担任该职位。