[논문 리뷰] Neural Stochastic Agent-Based Limit Order Book Simulation: A Hybrid Methodology

Zijian Shi, John Cartlidge|arXiv (Cornell University)|2023. 02. 28.

Complex Systems and Time Series AnalysisEconomics, Econometrics and Finance인용 수 3

한 줄 요약

이 논문은 실제 리미트 오더 북(LOB) 데이터를 기반으로 신경점프로세스를 통해 훈련된 데이터 기반 신경 스토하스틱 배경 트레이더를 에이전트 기반 시뮬레이션 프레임워크에 통합한 하이브리드 신경 스토하스틱 에이전트기반모델(NS-ABM)을 제안한다. 이 모델은 실제 시장의 주요 스타일라이즈드 팩트를 성공적으로 재현하며, 추세 및 가치 트레이딩 에이전트와 상호작용할 때 현실적인 오더 플로우 영향과 군중행동을 보여준다.

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.

연구 동기 및 목표

• 기존의 실제 시장 데이터에 기반하지 않거나 상호작용 기능이 부족한 전통적 에이전트기반모델(ABMs)과 스토하스틱 모델(SMs)의 한계를 보완하기 위해.
• 데이터 기반 스토하스틱 모델의 현실성과 에이전트기반 시스템의 동적 상호작용 능력을 결합한 시뮬레이션 프레임워크를 개발하기 위해.
• 거래 전략의 동적 백테스팅을 가능하게 하기 위해 거래 제출에 대한 시장 반응을 시뮬레이션함으로써 실제적인 '동적 백테스팅'을 실현하기 위해.
• 데이터 기반 배경 트레이더와 이질적인 거래 에이전트 간의 상호작용이 어떻게 시장 구조와 행동을 초래하는지 조사하기 위해.
• 모델이 실제 금융 시장의 주요 스타일라이즈드 팩트를 유지하면서도 오더 플로우 영향과 군중행동 분석이 가능하도록 하기 위해.

제안 방법

• 히스토리컬 레벨-2 리미트 오더 북(LOB) 데이터를 기반으로 상태에 따라 변화하는 병렬 신경 하크스 프로세스를 사용해 신경 스토하스틱 배경 트레이더(BT)를 훈련하여 시장 전반의 오더 이벤트 집합을 모델링한다.
• 사전 훈련된 BT를 오픈소스 에이전트기반 시뮬레이션 프레임워크인 ABIDES에 통합하여 동적 에이전트 상호작용을 수반하는 현실적인 시장 환경을 시뮬레이션한다.
• 실제 LOB 데이터로부터 가격 및 거래량 동역학을 학습하여 배경 트레이더가 현실적인 오더 이벤트 스트림을 확률적으로 샘플링하도록 모델링한다.
• BT와 '추세' 및 '가치' 트레이딩 에이전트의 집단에 대한 상호작용을 시뮬레이션하여 기대되는 시장 행동을 평가한다.
• 통제된 시뮬레이션 조건 하에서 총 가격 영향을 '순수' 영향(오더 제출 자체에서 기인)과 '오더 플로우' 영향(시장이 오더 플로우에 반응함)으로 분해한다.
• 백테스팅을 위해 기본가격을 평균 회귀 스토하스틱 프로세스로 생성하여 거래 전략의 동적 평가를 가능하게 한다.

실험 결과

연구 질문

• RQ1 실제 LOB 데이터를 기반으로 훈련된 신경 스토하스틱 배경 트레이더가 고립 상태에서 실제 금융 시장의 주요 스타일라이즈드 팩트를 재현할 수 있는가?
• RQ2 이질적인 거래 에이전트(추세 및 가치 트레이더 포함)의 포함이 시뮬레이션된 시장에서 스타일라이즈드 팩트 유지에 어떤 영향을 미치는가?
• RQ3 시장이 오더 플로우에 얼마나 동적으로 반응하는가? 이 반응은 오더 볼륨에 따라 어떻게 변화하는가?
• RQ4 모델이 실제 시장 동역학을 반영하는 방식으로 '순수' 가격 영향과 '오더 플로우' 영향을 분리하고 정량화할 수 있는가?
• RQ5 NS-ABM 프레임워크가 거래 전략에 대한 현실적인 동적 백테스팅 환경으로 기능할 수 있는가?

주요 결과

• 신경 스토하스틱 배경 트레이더는 고립 상태에서 실제 금융 시장의 열 가지 주요 스타일라이즈드 팩트를 성공적으로 재현한다.
• '추세' 및 '가치' 트레이딩 에이전트의 추가로 스타일라이즈드 팩트가 유지되어 배경 트레이더의 현실성에 대한 강건성을 확인한다.
• 순수 가격 영향은 오더 볼륨(λ)에 따라 단조롭게 증가하며, 거래가 종료된 후에도 영구적으로 유지되어 오직 오더 제출 자체에서 기인하는 영향을 반영한다.
• 오더 플로우 영향은 λ에 대해 초선형적으로 증가하여 더 높은 오더 볼륨이 더 강한 시장 반응을 유도하고, 그렇지 않으면 도달하지 못할 가격 상승을 유도함을 시사한다.
• 모델은 총 가격 영향을 두 가지 구성요소로 성공적으로 분리한다: '순수' 영향(오더 제출에서 기인)과 '오더 플로우' 영향(시장 반응에서 기인), 이로써 시장 영향의 세분화 분석이 가능해진다.
• NS-ABM 프레임워크는 전략 행동에 따라 시장 행동이 적응하도록 허용함으로써 동적 백테스팅을 가능하게 하여 전통적 백테스팅에 비해 더 현실적인 대안을 제공한다.