[論文レビュー] Deep Reinforcement Learning for Optimum Order Execution: Mitigating Risk and Maximizing Returns

Khabbab Zakaria, Jayapaulraj Jerinsh+4 more|arXiv (Cornell University)|Jan 8, 2026

Risk and Portfolio Optimization被引用数 0

ひとこと要約

この論文は、米国市場における最適注文実行のための深層強化学習アプローチを提示し、VWAPおよびTWAPをROIとリスク管理の点で上回り、市場状況（ストレス期間を含む）に動的に適応する。

ABSTRACT

Optimal Order Execution is a well-established problem in finance that pertains to the flawless execution of a trade (buy or sell) for a given volume within a specified time frame. This problem revolves around optimizing returns while minimizing risk, yet recent research predominantly focuses on addressing one aspect of this challenge. In this paper, we introduce an innovative approach to Optimal Order Execution within the US market, leveraging Deep Reinforcement Learning (DRL) to effectively address this optimization problem holistically. Our study assesses the performance of our model in comparison to two widely employed execution strategies: Volume Weighted Average Price (VWAP) and Time Weighted Average Price (TWAP). Our experimental findings clearly demonstrate that our DRL-based approach outperforms both VWAP and TWAP in terms of return on investment and risk management. The model's ability to adapt dynamically to market conditions, even during periods of market stress, underscores its promise as a robust solution.

研究の動機と目的

• 最適な注文実行におけるリターンを最適化しつつリスクを最小化する必要性を動機づける。
• 米国市場の実行に対するホリスティックなDRLベースのフレームワークを提案する。
• パフォーマンスとリスク指標の観点からDRLをVWAPおよびTWAPと比較評価する。
• ストレスのある市場状況下でのDRLの堅牢性を示す。

提案手法

• 米国市場における最適注文実行のための深層強化学習モデルを開発する。
• DRLのパフォーマンスをVWAPおよびTWAPの実行戦略と比較する。
• 投資収益率とリスク管理の観点から成果を評価する。
• 市場ストレスとさまざまな条件下でのモデルの適応性を検証する。
• 変化する市場環境への動的適応に焦点を当てる。

実験結果

リサーチクエスチョン

• RQ1 DRLベースの最適化手法は米国市場の実行においてROIとリスク指標でVWAPおよびTWAPを上回れるか。
• RQ2 市場条件の変化や市場ストレス時においてDRLモデルはどのように適応するか。
• RQ3 DRLと従来の実行戦略とのパフォーマンス差を生む主要な要因は何か。

主な発見

• DRLベースの最適注文実行はROIとリスク管理の点でVWAPおよびTWAPを上回る。
• DRLモデルは市場条件へ動的に適応することを示す。
• 市場ストレス期間中もアプローチは堅牢である。