Centrala begrepp
本研究では、強化学習ベースのエージェントを用いた市場シミュレーションフレームワークを提案し、実際の市場データと比較して、シミュレーション結果が現実の市場の特性を再現できることを示した。さらに、外部の市場インパクトイベントに対するエージェントの適応性についても検討した。
Sammanfattning
本研究では、強化学習ベースのエージェントを用いた市場シミュレーションフレームワークを提案している。
- 市場メーカー(MM)エージェントと流動性テイカー(LT)エージェントの2種類のエージェントを定義し、それぞれの報酬関数を設計した。
- シミュレーション結果を実際の市場データと比較し、シミュレーションが現実の市場の特性を再現できることを示した。具体的には以下の点を確認した:
- 収益率分布の重い裾野と尖度の減少
- 収益率の自己相関の欠如
- 絶対収益率の自己相関の緩やかな減少
- ボラティリティクラスタリング
- MMエージェントの在庫と収益の推移を分析し、MMエージェントが在庫リスクを抑えつつ、スプレッドからの収益を主に得ていることを確認した。
- フラッシュセール時の価格インパクトと、MMエージェントの注文価格設定の変化を分析し、MMエージェントが市場の状況に応じて適応的に行動していることを示した。
- 継続学習を行うエージェントグループは、未学習のエージェントグループや一定期間学習したエージェントグループと比べ、より現実的な市場特性を示した。
Statistik
価格ボラティリティの尖度は、時間間隔が長くなるにつれて減少する。
絶対収益率の自己相関は緩やかに減少する。
フラッシュセール時の価格は一時的に下落し、その後も元の水準より低い水準で推移する。
Citat
"本研究では、強化学習ベースのエージェントを用いた市場シミュレーションフレームワークを提案し、実際の市場データと比較して、シミュレーション結果が現実の市場の特性を再現できることを示した。"
"フラッシュセール時の価格インパクトと、MMエージェントの注文価格設定の変化を分析し、MMエージェントが市場の状況に応じて適応的に行動していることを示した。"