Deep Calibration of Market Simulations using Neural Density Estimators and Embedding Networks

要約

指値注文帳のダイナミクスの再現など、金融取引の現実的なシミュレーターを構築できる機能により、フラッシュ クラッシュ、マージン コール、マクロ経済見通しの変化など、多くの反事実シナリオに対する洞察が得られます。
近年、一連の様式化された事実と統計によって要約された、交換の多くの特徴を再現するエージェントベースのモデルが開発されました。
ただし、特定の取引期間に合わせてシミュレーターを調整する機能は依然として未解決の課題です。
この研究では、深層学習の最近の進歩、特にニューラル密度推定器と埋め込みネットワークを活用することにより、市場シミュレーターのキャリブレーションに対する新しいアプローチを開発します。
私たちのアプローチは、合成データと履歴データの両方に適用した場合、手動で選択または重み付けされた定型化された事実のアンサンブルに依存せずに、高確率のパラメーター セットを正確に識別できることを実証します。

要約(オリジナル)

The ability to construct a realistic simulator of financial exchanges, including reproducing the dynamics of the limit order book, can give insight into many counterfactual scenarios, such as a flash crash, a margin call, or changes in macroeconomic outlook. In recent years, agent-based models have been developed that reproduce many features of an exchange, as summarised by a set of stylised facts and statistics. However, the ability to calibrate simulators to a specific period of trading remains an open challenge. In this work, we develop a novel approach to the calibration of market simulators by leveraging recent advances in deep learning, specifically using neural density estimators and embedding networks. We demonstrate that our approach is able to correctly identify high probability parameter sets, both when applied to synthetic and historical data, and without reliance on manually selected or weighted ensembles of stylised facts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google