【最新研究】强化学习在Market Making上的应用(系列58)

作者 | Thomas Spooner、John Fearnley、Rahul Savani、Andreas Koukorinis

今天分享一篇来自利物浦大学的最新研究。此文讲述了Reinforcement Learning在Market Making 上的应用。由于内容涉及较为复杂,后续部分仅做展示。(论文在文章末尾获取)

前七期传送门:

【系列57】为什么机器学习在投资领域并不是那么好用

【系列56】特征重要性在量化投资中的深度应用

【系列55】机器学习应用量化投资必须要踩的那些坑

【系列54】因子的有效性分析基于7种机器学习算法

【系列53】基于XGBoost的量化金融实战

【系列52】基于Python预测股价的那些人那些坑

【系列51】通过ML、Time Series模型学习股价行为

摘要

Market making is a fundamental trading problem in which an agent provides liquidity by continually o ering to buy and sell a security. The problem is challenging due to inventory risk, the risk of accumulating an unfavourable position and ultimately losing money. In this paper, we develop a high- delity simulation of limit order book markets, and use it to design a market making agent using temporal-di erence reinforcement learning. We use a linear combination of tile codings as a value function approximator, and design a custom reward function that controls inventory risk. We demonstrate the e ectiveness of our approach by showing that our agent outperforms both simple benchmark strategies and a recent online learning approach from the literature.(论文在文章末尾获取)

前言

The role of a market maker is to provide liquidity by facilitating transactions with other market participants. Like many trading problems, it has become increasingly automated since the advent of the electronic limit order book (LOB), as the need to handle more data and act on ever shorter time scales renders the task al- most impossible for humans [25, 29]. Upwards of 60% of trading volume on some particularly active markets has been attributed to automated trading systems [27, 36]. This paper uses reinforce- ment learning (RL) to design competitive market making agents for nancial markets using high-frequency historical equities data.

解读:讲述了做市商的重要性,自从电子限价订单(LOB)出现以来,在一些特别活跃的市场上,60%以上的交易量归功于自动交易系统。本文使用强化学习(RL),利用高频股票历史数据为金融市场设计具有竞争力的making agents。

相关研究

解读:讲述相关研究,大家可自行阅读,不再陈述。(论文在文章末尾获取)

正文

解读:使用的数据和来源还有初始模型规则设定。

原文:https://arxiv.org/abs/1804.04216?from=timeline&isappinstalled=0

原文发布于微信公众号 - 量化投资与机器学习(ZXL_LHTZ_JQXX)

原文发表时间:2018-04-15

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏企鹅号快讯

金融机构利用人工智能反欺诈的利器:设备指纹技术的前世今生 下

01 设备指纹的核心技术 设备指纹技术是一个综合性的系统工程,掌握这门技术需要跨越一系列的技术门槛,这也是为什么虽然应用场景广阔,至今市场上此项技术提供者并不多...

45870
来自专栏大数据文摘

从视觉检测窥探人类大脑和数字大脑的差别

21750
来自专栏新智元

【独家揭秘】机器学习分析 47 万微信群,发现 9 大规律

【新智元导读】微信群已经进入到我们的日常生活中,成为社交关系的主要纽带。但微信群有自己的规律,长期群能存活很长的时间,临时群则转瞬即逝。来自清华大学、康奈尔大学...

46460
来自专栏MyBlog

J.Woodcock&J.Davies_UsingZ_1996_C1 阅读

随着软件的日益发展, 软件的功能等需求越来越多, 文档也随之增加, 组件之间的交互和冲突最后导致系统出现问题, 逐渐偏离了我们的预期. 为解决该问题, 其中一个...

9610
来自专栏华章科技

揭秘47万微信群和2亿微信用户背后的数字规律

微信群已经进入到我们的日常生活中,成为社交关系的主要纽带。但微信群有自己的规律,长期群能存活很长的时间,临时群则转瞬即逝。来自清华大学、康奈尔大学、腾讯公司和香...

10810
来自专栏AI科技评论

干货 | 深度学习入门指北——从硬件到软件

AI科技评论按:近日,Rachel Thomas在fast.ai上发布了一篇博文《What you need to do deep learning》,他希望通...

36840
来自专栏PPV课数据科学社区

这套烧脑的数学模型,教你如何预测一个互联网产品的未来

这套模型是我在运营路况电台 2000 万用户过程中积累出来的,也是我们团队做产品迭代,运营和产品目标设定最基本的方法。这个产品模型从几个相对不同的维度定义一个产...

54470
来自专栏媒矿工厂

PCS2018:360度全景视频流媒体传输系统【附PPT全文】

作为图像/视频编码领域的顶级会议之一,第33届图像编码研讨会(PCS,Picture Coding Symposium)于2018年6月24号至6月27号在加州...

26330
来自专栏新智元

【开源】北大团队大规模稀疏数据机器学习库xLearn,c++ trending 已超TensorFlow

编辑:弗格森 【新智元导读】 机器学习博士马超近日在微博上介绍他和导师肖臻教授一起开发的一款专门针对大规模稀疏数据的机器学习库xLearn并开源。并称, vi...

49180
来自专栏专知

势头强劲: PyTorch周年大事记盘点

【导读】 1月19日,PyTorch团队对PyTorch发布一年来的成长轨迹做了总结。在过去一年里,PyTorch资源包的下载量超50万次、PyTorch频频出...

36950

扫码关注云+社区

领取腾讯云代金券