深度学习可以在限额订单簿中复制适应性交易者

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Deep Learning can Replicate Adaptive Traders in a Limit-Order-Book
  Financial Market》
---
作者：
Arthur le Calvez and Dave Cliff
---
最新提交年份：
2018
---
英文摘要：
  We report successful results from using deep learning neural networks (DLNNs) to learn, purely by observation, the behavior of profitable traders in an electronic market closely modelled on the limit-order-book (LOB) market mechanisms that are commonly found in the real-world global financial markets for equities (stocks & shares), currencies, bonds, commodities, and derivatives. Successful real human traders, and advanced automated algorithmic trading systems, learn from experience and adapt over time as market conditions change; our DLNN learns to copy this adaptive trading behavior. A novel aspect of our work is that we do not involve the conventional approach of attempting to predict time-series of prices of tradeable securities. Instead, we collect large volumes of training data by observing only the quotes issued by a successful sales-trader in the market, details of the orders that trader is executing, and the data available on the LOB (as would usually be provided by a centralized exchange) over the period that the trader is active. In this paper we demonstrate that suitably configured DLNNs can learn to replicate the trading behavior of a successful adaptive automated trader, an algorithmic system previously demonstrated to outperform human traders. We also demonstrate that DLNNs can learn to perform better (i.e., more profitably) than the trader that provided the training data. We believe that this is the first ever demonstration that DLNNs can successfully replicate a human-like, or super-human, adaptive trader operating in a realistic emulation of a real-world financial market. Our results can be considered as proof-of-concept that a DLNN could, in principle, observe the actions of a human trader in a real financial market and over time learn to trade equally as well as that human trader, and possibly better.
---
中文摘要：
我们报告了使用深度学习神经网络（DLNNs）纯粹通过观察来学习电子市场中盈利交易者的行为的成功结果，该电子市场密切模仿了在现实世界全球金融市场中常见的股票（股票和股票）、货币、债券、商品和衍生品的限额指令簿（LOB）市场机制。成功的真人交易员和先进的自动算法交易系统，从经验中学习，并随着时间的推移适应市场条件的变化；我们的DLNN学习复制这种自适应交易行为。我们工作的一个新方面是，我们不涉及试图预测可交易证券价格时间序列的传统方法。相反，我们通过只观察市场上成功的销售交易员发布的报价、交易员正在执行的订单的详细信息，以及交易员活跃期间LOB上可用的数据（通常由集中交易所提供），来收集大量培训数据。在本文中，我们证明了适当配置的DLNN可以学习复制成功的自适应自动交易者的交易行为，这是一种先前证明优于人类交易者的算法系统。我们还证明，与提供培训数据的交易者相比，DLNNs可以学习更好的表现（即更具盈利能力）。我们认为，这是首次证明DLNNs可以成功复制一个在真实世界金融市场的真实模拟中操作的类人或超人适应性交易者。我们的结果可以被视为概念证明，DLNN原则上可以观察真实金融市场中人类交易者的行为，随着时间的推移，学会与人类交易者一样进行交易，甚至可能更好。
---
分类信息：

一级分类：Computer Science        计算机科学
二级分类：Computational Engineering, Finance, and Science        计算工程、金融和科学
分类描述：Covers applications of computer science to the mathematical modeling of complex systems in the fields of science, engineering, and finance. Papers here are interdisciplinary and applications-oriented, focusing on techniques and tools that enable challenging computational simulations to be performed, for which the use of supercomputers or distributed computing platforms is often required. Includes material in ACM Subject Classes J.2, J.3, and J.4 (economics).
涵盖了计算机科学在科学、工程和金融领域复杂系统的数学建模中的应用。这里的论文是跨学科和面向应用的，集中在技术和工具，使挑战性的计算模拟能够执行，其中往往需要使用超级计算机或分布式计算平台。包括ACM学科课程J.2、J.3和J.4（经济学）中的材料。
--
一级分类：Quantitative Finance        数量金融学
二级分类：Trading and Market Microstructure        交易与市场微观结构
分类描述：Market microstructure, liquidity, exchange and auction design, automated trading, agent-based modeling and market-making
市场微观结构，流动性，交易和拍卖设计，自动化交易，基于代理的建模和做市
--

---
PDF下载：
--> Deep_Learning_can_Replicate_Adaptive_Traders_in_a_Limit-Order-Book_Financial_Market.pdf (484.72 KB)

2022-6-11 03:04:34 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：深度学习 性交易 适应性 交易者 Applications

XXX-X-XXXX-XXXX-X/XX/XX美元。00(c)20XX IEEEDeep Learning可以复制aLimit订单金融市场中的自适应交易员Arthur le Calvez+和Dave Cliff*英国布里斯托尔大学计算机科学系BS8 1UB+al14835@my.bristol.ac.uk, *csdtc@bristol.ac.ukAbstract-我们报告了使用深度学习神经网络（DLNNs）纯粹通过观察来学习电子市场中盈利交易者的行为的成功结果，这些交易者的行为与现实世界全球金融市场中常见的股票（股票和股票）、货币、债券、，大宗商品和衍生品。成功的真人交易员和先进的自动算法交易系统，从经验中学习，并随着市场条件的变化而不断适应；我们的DLNN学习复制这种自适应交易行为。我们工作的一个新方面是，我们不涉及试图预测可交易证券价格时间序列的传统方法。相反，我们通过只观察市场上成功的销售交易员发布的报价、交易员正在执行的订单的详细信息，以及交易活跃期间LOB上可用的数据（通常由集中交易所提供），来收集大量培训数据。在本文中，我们证明了可适配的DLNNs可以学习复制成功的自适应自动交易者的交易行为，这是一种先前证明优于人类交易者的算法系统。我们还证明，DLNNs可以学习比提供培训数据的交易员表现更好（即更有利可图）。

我们相信，这是首次证明DLNNs能够成功复制一台仿人或超人的adaptivetrader，在真实金融市场的真实仿真中运行。我们的结果可以被视为概念证明，aDLNN原则上可以观察真实金融市场中人类交易员的行为，随着时间的推移，学会与人类交易员一样进行交易，甚至可能更好。关键词-金融工程、金融市场、自动交易、智能代理、深度学习。一、 引言本文所述工作是回答以下问题的第一步：是否有可能使用现代机器学习技术，如深度学习神经网络（DLNNs），自动学习复制金融市场中人类交易员的交易行为，仅仅通过观察市场上那个商人的行为？人类交易者的价值在于他们的适应能力，以及从市场经验中学习的能力，因此，我们问题的核心是，DLNNs是否能够在交易者（或其）适应不断变化的市场条件时学习如何模拟交易者。我们在此报告我们的初步结果，这表明核心问题可以得到积极的回答；我们认为，这表明，通过适当扩展此处使用的方法，可以及时将DLNN“黑匣子”与在投资银行或基金管理公司工作的熟练交易员放在一起；让DLNNbox学会纯粹通过观察交易者的行为来复制交易者的行为；然后让人贩子被黑箱取代。

如果一个人交易员可以被替换，那么原则上所有人都可以被替换，这就有可能大幅减少交易人员。在过去十年中，主要金融市场（如股票、货币、债券、大宗商品和衍生品市场）的自动化交易系统的部署急剧上升。传统上，在一百多年的时间里，现在由自动交易系统完成的工作是人工交易员的责任，他们在中央交易所公开喊价的交易大厅面对面地工作；然后通过电话通信；最近通过计算机网络发送消息。人类交易者的工作报酬通常很高，这可能被慈善地解释为他们因成为成功交易者所需的智慧而得到了适当的奖励，与其说他们只是幸运地找到了一份工作，与成功完成这项工作所需的智力水平相比，这份工作的薪酬水平是不合理的慷慨。因此，用自动化系统取代人类交易员是计算智能在金融工程（CIFEr）中应用的一个有趣问题。一种特定的人工工作，称为销售交易员，涉及代表客户处理订单：销售交易员不为自己的账户进行库存，而是尝试执行客户指定的买卖订单。一个好的推销员会努力为客户提供最优惠的价格，以换取佣金或费用。

例如，如果客户订单指示销售交易员以不超过160美元的价格购买苹果股票（股票代码AAPL），那么如果销售交易员可以在AAPL为155美元时完成订单，这比在AAPL为159美元时购买要好。同样，如果客户指示交易员以不低于150美元的价格出售IBM股票，那么最好以160美元的价格进行交易，而不是155美元。在买卖双方中，客户指定的价格（此处我们称之为限价）与交易执行价格（交易价格）之间的差额可以被视为“利润”，要么完全由销售交易员保留，要么以一定比例与客户分享。克里夫是所有通信都应该指向的作者之一。出席印度班加罗尔IEEE金融工程计算智能研讨会（CIFEr）；2018年11月18日至21日。投资银行的交易大厅曾经是高薪销售交易员的家，他们要么执行客户订单，要么等待下一个订单。而且，在过去15年中，几乎所有在spotmarkets工作的人工销售交易员（即即时执行的交易订单）都已被机器、自动算法交易系统所取代，在业内称为机器人交易员或简称为algos。IBM的TJ Watson研究实验室的一组研究人员撰写了一篇关于算法交易兴起的关键论文，并在2001年国际人工智能联合会议（IJCAI）上发表了该论文【13】。这篇论文首次展示了自动化交易系统能够始终胜过人类交易员的能力。

IBM团队进行了一系列受控实验室实验，在这些实验中，人类交易员在模拟市场中相互互动，捕捉到真实世界金融市场的关键方面，相互作用通过计算机终端网络进行调解——所有互动都可以用精细的解析时间戳记录下来，这大大缓解了随后对市场实验动态的分析。这种实验方式是由经济学家弗农·史密斯（见[30]）开创的，他后来因在建立这种方法方面的领导能力而被授予2002年诺贝尔经济学奖，这种方法现在被广泛采用，被称为实验经济学（见[21，22]）。BM IJCAI论文的关键创新在于：史密斯和其他实验经济学家多年来一直在使用计算机终端网络研究人类受试者的市场交易行为；虽然基于代理的计算经济学也有大量的研究工作（参见示例：[28][34]），这些工作探索了完全由机器人交易员组成的市场的动态；IBM的这篇论文是第一篇在严格的实验室条件下研究人类交易员和机器人交易员之间互动动力学的论文。

具体而言，IBM团队探索了人类交易员与两个自适应算法交易系统（即，可以从他们在市场中的经验中学习的系统）之间的相互作用：一个是Gjerstad&Dickhaut提出的自适应概率交易策略的修改版本[19]，IBM将其命名为改进的GjerstadDickhaut（MGD）战略；另一种是Zero IntelligencePlus（ZIP）自适应交易策略，该策略将同一底层机器学习机制用作反向传播神经网络（因此也适用于许多DLNN）；四年前，HewlettPackard实验室发布了完整的ZIP源代码，1998年IEEE CIFEr会议上展示了ZIP交易员自动优化的结果。IBM的研究结果表明，MGD和ZIP在本质上是一个销售交易员的角色上，其表现始终优于humantraders：即MGD和ZIP机器人在金融市场上的交易利润高于HumanSalesTraders。IBM的结果引起了全球媒体的报道。从IBM IJCAI文件的发布到目前全球所有主要金融市场几乎全部采用自动执行系统，以及这些市场执行点上的人工交易员数量随之严重减少，这超出了本文的范围。

有关英国ZF科学办公室发布的金融市场自动交易兴起的历史概述，请参见【10】；有关高度自适应自动化市场负面影响的评论，请参见[1、2、9、25、27]。在IBM论文发表后的17年里，许多其他作者复制并扩展了他们的研究结果：参见[4，5，14-16]。为了真实地模拟现实世界的金融市场，此类实验研究几乎总是采用限额指令簿（LOB）的模型，这是一种数据结构，通常显示在真实交易者的屏幕上，通常简称为“指令簿”。下文第二节将详细介绍。B、 LOB提供了关键的实时信息，通常市场中的所有销售交易员都依赖这些信息。虽然算法交易系统已经取代了许多人类交易员，尤其是现货市场的销售交易员，但仍有许多人受雇于更复杂和要求更高的交易角色。这又让我们回到了本文开头提出的问题：这里描述的工作是评估以下情况的第一步：与其手动设计MG和ZIP等表现优于人类交易者的自适应算法交易策略，是否有可能使用DLNNS等当代机器学习技术来自动学习复制适应性交易者的交易行为，只需观察该交易者在市场上的行为。人类交易者和LGO（如MGD或ZIP）都是适应性的；在本文中，我们只专注于探索DLNNs学习捕获自适应算法交易行为的能力。

为了生成足够的数据以满足DLNNs的要求，还需要另一种方法，即对受试者进行实验，在时间和金钱上花费不可估量的成本，以及大量的实验。因此，作为概念的初步证明，我们在本文中仅探讨了DLNNs复制自适应算法读取系统行为的能力：特别是ZIP，这是已知的性能优于人类的系统。我们在此证明，DLNN确实可以学习复制ZIP的实时交易行为，令我们惊讶的是，我们还了解到，事实上，仅根据ZIP行为中的数据进行训练的DLNN可以学习始终比ZIP表现更好。由于ZIP已经独立且反复被证明优于人类交易者，如果DLNN系统的表现优于ZIP交易者，那么DLNN系统在真实金融市场中观察人类交易者的可能性就会增加。DLNN系统可能不仅能够学习匹配人类交易者的能力，而且能够超越他们。本文的其余部分结构如下。在第三节中，我们描述了我们的方法和概念证明的关键组成部分：我们的实验平台是一个称为BSE的系统，一个开源的基于LOB的金融市场的最小模拟；我们在疯牛病市场中安置了大量的algotraders，并进行了大量的市场实验来生成交易数据；然后，这些训练数据通过Keras高级工具包【23】输入公共域DLNN TensorFlow DLNN软件库【33】，该工具包提供了摘要和接口，以便于对常见应用程序样式使用TensorFlow。

第三节接着介绍了我们的实验结果，这些结果表明，DLNNs可以通过观察来学习，以复制ZIP算法的自适应转换行为，并且DLNN交易者可以比生成DLNN应变数据的ZIP交易者更有利可图：即，DLNN“学生”要比其ZIP“老师”表现出色。第四节讨论了本文所述结果所推动的进一步工作，第五节第二节给出了我们的结论。方法、组件工具和相关工作对于不熟悉DLNNs和LOB实时数据结构的读者，第二节将进行简要介绍。A和II。B分别为。接下来，在第二节中。C我们提出了一种训练DLNN复制salestrader可观察活动的方法，这种方法适用于被复制的交易员是人类还是机器人/算法。由于在真实金融市场中尝试与真实的人类交易员进行此操作所需的时间和金钱成本将是相反的，并且由于这是一项初步的概念验证研究，我们在此报告成功使用DLNN学习复制自适应销售交易员机器人的行为，特别是ZIP交易员，在模拟的基于LOB的市场中运营，该市场密切模拟基于LOB的现实世界金融市场的关键方面。LOB市场模拟器称为DBSE，如第二节所述。D、 第二节解释了它在我们实验中的使用。E、 最后，第二节。F讨论了其他作者发表的与此处报告的工作相关的少量出版物。A.