Limit Order Book Simulation and Trade Evaluation with $K$-Nearest-Neighbor Resampling

要約

この論文では、\cite{giegrich2023k} で提案されているオフポリシー評価手法である $K$-nearest neighbors ($K$-NN) リサンプリングを、指値注文帳 (LOB) 市場のシミュレーションにどのように適用できるか、またその方法を示します。
取引戦略の評価と調整に使用できます。
過去の LOB データを使用して、シミュレーション手法が現実的な LOB ダイナミクスを再現できること、およびシミュレーション内の合成取引が対応する文献に沿った市場への影響をもたらすことを実証します。
他の統計的 LOB シミュレーション手法と比較して、当社のアルゴリズムは一般的な条件下で理論的な収束が保証されており、最適化が不要で、実装が簡単で、計算効率が優れています。
さらに、ベンチマーク比較では、いくつかの主要な統計に関して、私たちの手法が深層学習ベースのアルゴリズムよりも優れていることを示します。
比例タイプ マッチングを使用する LOB のコンテキストで、アルゴリズムが清算戦略の指値注文のサイズを調整する方法を示します。
最後に、高次元の状態空間を選択するために $K$-NN リサンプリングをどのように変更できるかを説明します。

要約(オリジナル)

In this paper, we show how $K$-nearest neighbor ($K$-NN) resampling, an off-policy evaluation method proposed in \cite{giegrich2023k}, can be applied to simulate limit order book (LOB) markets and how it can be used to evaluate and calibrate trading strategies. Using historical LOB data, we demonstrate that our simulation method is capable of recreating realistic LOB dynamics and that synthetic trading within the simulation leads to a market impact in line with the corresponding literature. Compared to other statistical LOB simulation methods, our algorithm has theoretical convergence guarantees under general conditions, does not require optimization, is easy to implement and computationally efficient. Furthermore, we show that in a benchmark comparison our method outperforms a deep learning-based algorithm for several key statistics. In the context of a LOB with pro-rata type matching, we demonstrate how our algorithm can calibrate the size of limit orders for a liquidation strategy. Finally, we describe how $K$-NN resampling can be modified for choices of higher dimensional state spaces.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google