[論文レビュー] Towards Realistic Market Simulations: a Generative Adversarial Networks Approach

Andrea Coletta, Matteo Prata+6 more|arXiv (Cornell University)|Oct 25, 2021

Stock Market Forecasting Methods被引用数 4

ひとこと要約

本稿では、履歴データから集計的市場行動を学習することで、現実的で反応性のある市場シミュレーションを生成する条件付き生成対抗ネットワーク（CGAN）ベースのフレームワークを提案する。CGANは、現在の市場状態に条件づけられたlimit注文を生成する1つの「世界」エージェントとして市場全体をモデル化し、従来の手作業で設計されたエージェントベースモデルよりも、実際のlimit注文書の主要なスタイリズドファクトをより正確に再現する、反応性の高いシミュレーションを可能にする。

ABSTRACT

Simulated environments are increasingly used by trading firms and investment banks to evaluate trading strategies before approaching real markets. Backtesting, a widely used approach, consists of simulating experimental strategies while replaying historical market scenarios. Unfortunately, this approach does not capture the market response to the experimental agents' actions. In contrast, multi-agent simulation presents a natural bottom-up approach to emulating agent interaction in financial markets. It allows to set up pools of traders with diverse strategies to mimic the financial market trader population, and test the performance of new experimental strategies. Since individual agent-level historical data is typically proprietary and not available for public use, it is difficult to calibrate multiple market agents to obtain the realism required for testing trading strategies. To addresses this challenge we propose a synthetic market generator based on Conditional Generative Adversarial Networks (CGANs) trained on real aggregate-level historical data. A CGAN-based "world" agent can generate meaningful orders in response to an experimental agent. We integrate our synthetic market generator into ABIDES, an open source simulator of financial markets. By means of extensive simulations we show that our proposal outperforms previous work in terms of stylized facts reflecting market responsiveness and realism.

研究の動機と目的

• バックテストの限界、すなわち取引エージェントの行動に対する市場の反応をモデル化できないことに対処すること。
• 特許情報にアクセスできないため、実際のエージェントプールをキャリブレーションすることが難しいという課題を克服すること。
• 実際の市場ダイナミクスを反映する、スケーラブルでデータ駆動型の合成市場行動生成手法を開発すること。
• 模擬市場が実際の市場と同等に現実的であり、かつ実験用エージェントの戦略に応じて反応することを保証すること。
• 制御可能でありながら市場に現実的である環境で、取引戦略の評価を高精度に実施するエージェントベースシミュレーションの忠実性を向上させること。

提案手法

• 実際の集計レベルの履歴注文データを用いて、CGANを訓練し、市場状態と注文フローの連合分布を学習する。
• CGANは、Bid-Askスプレッド、注文書インバランス、価格トレンドなどの現在の市場状態特徴に条件づけてlimit注文を生成する。
• 訓練されたCGANは、ABIDESシミュレータ内での「世界」エージェントとして機能し、特定の資産についてすべての市場参加者の集団的行動をシミュレートする。
• フレームワークは、オープンソースのエージェントベース市場シミュレータであるABIDESに統合され、実験用エージェントと合成市場の相互作用を可能にする。
• モデルは、ボラティリティクラスタリング、ファットテイル、取引量-ボラティリティ相関といった、実際の市場の統計的性質を保持する。
• シミュレーションは、実際のデータとの比較を通じて、limit注文書のスタイリズドファクトを用いて評価される。

実験結果

リサーチクエスチョン

• RQ1 CGANベースのモデルは、実際の金融市場の統計的性質を保持する合成市場注文フローを生成できるか？
• RQ2 CGANベースの市場シミュレーションは、実験用エージェントの取引行動に対して現実的な反応性を示すか？
• RQ3 スタイリズドファクトの観点から、CGANで生成されたシミュレーションの現実性は、最新の手作業で設計されたエージェントベースシミュレーションと比べてどの程度高いか？
• RQ4 1つのCGANエージェントが、数千人の実際の市場参加者の集団的行動をどの程度正確に表現できるか？
• RQ5 フレームワークは、新しい取引戦略に対する現実的な市場フィードバックを伴う「仮説的」分析をサポートできるか？

主な発見

• CGANベースのフレームワークは、履歴的TSLAデータの1分間ログリターン分布を最もよく再現しており、ベースラインのIABS設定を上回っている。
• ボラティリティクラスタリングのパターンにおいて、CGANは時間ラグに応じた相関の低下を適切に再現し、実際の市場行動に近く、最も現実的である。
• 取引量-ボラティリティ相関において、CGANシミュレーションは最も有望なトレンドを示しているが、歴史的データと比べてわずかに左シフトしている。
• CGANベースのシミュレーションは、リターンの自己相関が最小であり、歴史的データと密接に一致しており、価格効率性の観点から強い現実性を示している。
• 0.25-POVの実験用エージェントが存在することで、測定可能で現実的な中央価格のずれが生じ、その後平均回帰が観察された。これは市場の反応性を示している。
• 総合的に、CGANベースのシミュレーションは、limit注文書ダイナミクスの主要なスタイリズドファクトを再現する点で、2つの最新のIABS設定を上回っている。