Deep Learning for VWAP Execution in Crypto Markets: Beyond the Volume Curve

要約

ボリューム加重平均価格(VWAP)は、市場参加者全体のパフォーマンスを比較するための偏りのない基準を提供するため、貿易実行のための最も一般的なベンチマークです。
ただし、VWAPを達成することは、2つの動的な要因、ボリュームと価格に依存しているため、本質的に困難です。
従来のアプローチは通常、市場の量曲線を予測することに焦点を当てています。これは、安定した条件下では当てはまるかもしれないが、予測誤差マージンが高い暗号通貨などのより揮発性の環境や市場で最適ではないという仮定です。
この研究では、ボリュームカーブ予測の中間ステップをバイパスすることにより、VWAP実行目標を直接最適化する深い学習フレームワークを提案します。
自動分化とカスタム損失関数を活用して、私の方法では、VWAPの滑りを最小限に抑えるために注文割り当てを調整し、それにより実行問題の複雑さに完全に対処します。
私の結果は、この直接的な最適化アプローチが、Arxiv:2410.21448で提示された素朴な線形モデルを利用する場合でも、従来の方法と比較してより低いVWAP滑りを達成することを示しています。
彼らは、VWAPパフォーマンスに最適化された戦略が正確なボリューム曲線予測から分岐する傾向があるという観察を検証し、したがって、実行目標を直接モデル化するという利点を強調しています。
この研究は、揮発性市場でのVWAP実行のためのより効率的で堅牢なフレームワークに貢献し、直接的な客観的最適化が重要な複雑な金融システムにおける深い学習の可能性を示しています。
私の経験的分析は暗号通貨市場に焦点を当てていますが、フレームワークの根底にある原則は、株式などの他の資産クラスに容易に適用できます。

要約(オリジナル)

Volume-Weighted Average Price (VWAP) is arguably the most prevalent benchmark for trade execution as it provides an unbiased standard for comparing performance across market participants. However, achieving VWAP is inherently challenging due to its dependence on two dynamic factors, volumes and prices. Traditional approaches typically focus on forecasting the market’s volume curve, an assumption that may hold true under steady conditions but becomes suboptimal in more volatile environments or markets such as cryptocurrency where prediction error margins are higher. In this study, I propose a deep learning framework that directly optimizes the VWAP execution objective by bypassing the intermediate step of volume curve prediction. Leveraging automatic differentiation and custom loss functions, my method calibrates order allocation to minimize VWAP slippage, thereby fully addressing the complexities of the execution problem. My results demonstrate that this direct optimization approach consistently achieves lower VWAP slippage compared to conventional methods, even when utilizing a naive linear model presented in arXiv:2410.21448. They validate the observation that strategies optimized for VWAP performance tend to diverge from accurate volume curve predictions and thus underscore the advantage of directly modeling the execution objective. This research contributes a more efficient and robust framework for VWAP execution in volatile markets, illustrating the potential of deep learning in complex financial systems where direct objective optimization is crucial. Although my empirical analysis focuses on cryptocurrency markets, the underlying principles of the framework are readily applicable to other asset classes such as equities.

arxiv情報

著者 Remi Genet
発行日 2025-04-02 14:56:54+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.LG, q-fin.ST パーマリンク