[論文レビュー] Neural Stochastic Agent-Based Limit Order Book Simulation: A Hybrid Methodology

Zijian Shi, John Cartlidge|arXiv (Cornell University)|Feb 28, 2023

Complex Systems and Time Series AnalysisEconomics, Econometrics and Finance被引用数 3

ひとこと要約

本稿では、神経点過程を用いて実際の限界注文書（LOB）データから学習したデータ駆動型神経確率的背景取引者を、エージェントベースシミュレーションフレームワークに統合したハイブリッド神経確率的エージェントベースモデル（NS-ABM）を提案する。このモデルは、実市場の主要なスタイリッシュファクトを再現でき、トレンド取引およびバリューエージェントと相互作用する際、現実的な注文フローインパクトとハーディング行動を示す。

ABSTRACT

Modern financial exchanges use an electronic limit order book (LOB) to store bid and ask orders for a specific financial asset. As the most fine-grained information depicting the demand and supply of an asset, LOB data is essential in understanding market dynamics. Therefore, realistic LOB simulations offer a valuable methodology for explaining empirical properties of markets. Mainstream simulation models include agent-based models (ABMs) and stochastic models (SMs). However, ABMs tend not to be grounded on real historical data, while SMs tend not to enable dynamic agent-interaction. To overcome these limitations, we propose a novel hybrid LOB simulation paradigm characterised by: (1) representing the aggregation of market events' logic by a neural stochastic background trader that is pre-trained on historical LOB data through a neural point process model; and (2) embedding the background trader in a multi-agent simulation with other trading agents. We instantiate this hybrid NS-ABM model using the ABIDES platform. We first run the background trader in isolation and show that the simulated LOB can recreate a comprehensive list of stylised facts that demonstrate realistic market behaviour. We then introduce a population of `trend' and `value' trading agents, which interact with the background trader. We show that the stylised facts remain and we demonstrate order flow impact and financial herding behaviours that are in accordance with empirical observations of real markets.

研究の動機と目的

• 従来のエージェントベースモデル（ABM）が実市場データに根拠を持たないのに対し、確率的モデル（SM）が相互作用性に欠けるという限界を解消すること。
• データ駆動型確率的モデリングの現実性とエージェントベースシステムの動的相互作用能力を統合したシミュレーションフレームワークを開発すること。
• 注文提示に対する市場反応をシミュレートすることで、取引戦略の『動的バックテスト』を現実的に行えるようにすること。
• データ駆動型背景取引者と多様な取引エージェントとの相互作用から、市場構造と行動がどのように生じるかを調査すること。
• 本モデルが実金融市場の主要なスタイリッシュファクトを保持しつつ、注文フローインパクトとハーディング行動の分析を可能にすることを示すこと。

提案手法

• 歴史的レベル2の限界注文書（LOB）データを用いて、状態依存型並列神経 Hawkes プロセスで神経確率的背景取引者（BT）を学習させ、市場全体の注文イベントの集積をモデル化する。
• 事前に学習されたBTを、オープンソースのエージェントベースシミュレーションフレームワークABIDESに統合し、動的エージェント相互作用を伴う現実的な市場環境をシミュレートする。
• 実LOBデータからの価格および量のダイナミクスを学習することで、背景取引者を確率的に現実的な注文イベントストリームをサンプリング可能にモデル化する。
• BTと「トレンド」および「バリュー」取引エージェントの集団との相互作用をシミュレートし、出現する市場行動を評価する。
• 制御されたシミュレーション条件下で、価格インパクトの合計を「プレーン」インパクト（注文提示そのものによるもの）と「注文フロー」インパクト（注文フローへの市場反応によるもの）に分解する。
• バックテスト用に、再帰的平均のとる確率過程を用いて外部の基礎的価値を生成し、取引戦略の動的評価を可能にする。

実験結果

リサーチクエスチョン

• RQ1 実LOBデータで学習した神経確率的背景取引者が、孤立状態で実金融市場の主要なスタイリッシュファクトを再現できるか？
• RQ2 多様な取引エージェント（トレンド取引者およびバリューファイア）を含めることで、シミュレート市場におけるスタイリッシュファクトの保持にどのような影響を与えるか？
• RQ3 市場は注文フローに対してどの程度動的に反応するか？ また、注文量に応じてその反応はどのように変化するか？
• RQ4 本モデルは、現実の市場ダイナミクスを反映する形で、「プレーン」価格インパクトと「注文フロー」インパクトを分離・定量化できるか？
• RQ5 NS-ABMフレームワークは、取引戦略の現実的な動的バックテスト環境として機能できるか？

主な発見

• 神経確率的背景取引者は、孤立状態で実金融市場の10の主要スタイリッシュファクトを成功裏に再現した。
• 「トレンド」と「バリュー」取引エージェントの追加によりスタイリッシュファクトが保持されたことから、背景取引者の現実性が妥当であることが確認された。
• プレーン価格インパクトは注文量（λ）に伴い単調に増加し、取引終了後も持続的であることが示され、注文提示そのものの影響を反映している。
• 注文フローインパクトはλに対して超線形的に増加し、注文量が大きいほど市場反応が強くなることが示され、価格が本来の水準よりも高くなる傾向がある。
• 本モデルは、合計価格インパクトを「プレーン」インパクト（注文提示によるもの）と「注文フロー」インパクト（市場反応によるもの）に明確に分離し、市場インパクトの洗練された分析を可能にした。
• NS-ABMフレームワークは、戦略の行動に応じて市場行動が適応する仕組みを備えており、従来のバックテストに比べてより現実的な動的バックテスト環境を提供できる。