[논문 리뷰] Explaining Agent-Based Financial Market Simulation

David R. Byrd|arXiv (Cornell University)|2019. 09. 25.

Complex Systems and Time Series Analysis참고 문헌 8인용 수 7

한 줄 요약

이 논문은 에이전트 기반 금융시장 시뮬레이션의 설계 및 메커니즘을 설명하며, 외생적 기초 가격 시리즈의 역할에 중점을 두고 있다. 여기에는 이산적 평균 회귀, 옴슈타인-울렌벡(Ornstein-Uhlenbeck) 과정, 메가쇼크 변형 등이 포함되며, 이는 제로 지능(Zero Intelligence) 및 히우리스틱 믹스팅 신념 학습(Heuristic Belief Learning) 에이전트들이 최적의 지정가 주문을 결정하는 데 사용된다. 본 논문은 에이전트가 이전 주문 데이터와 베이지안 추론을 활용해 기대 슈퍼플러스를 추정하고 이로 수익을 극대화할 수 있음을 보여주며, ABIDES 시뮬레이터가 이러한 기능을 즉시 구현할 수 있도록 지원한다.

ABSTRACT

This paper is intended to explain, in simple terms, some of the mechanisms and agents common to multiagent financial market simulations. We first discuss the necessity to include an exogenous price time series ("the fundamental value") for each asset and three methods for generating that series. We then illustrate one process by which a Bayesian agent may receive limited observations of the fundamental series and estimate its current and future values. Finally, we present two such agents widely examined in the literature, the Zero Intelligence agent and the Heuristic Belief Learning agent, which implement different approaches to order placement.

연구 동기 및 목표

• 에이전트 기반 금융 시뮬레이션에서 외생적 기초 가격 시리즈의 역할과 생성 방식을 명확히 하기 위해.
• 노이즈가 섞인 관측치를 바탕으로 에이전트가 기초 가치를 어떻게 추정하는지 설명하기 위해.
• 두 가지로 널리 사용되는 에이전트인 제로 지능과 히우리스틱 믹스팅 신념 학습의 의사결정 메커니즘을 상세히 기술하기 위해.
• 에이전트가 이전 주문 기록에서 기대 슈퍼플러스를 계산해 최적의 지정가를 설정하는 방법을 보여주기 위해.
• ABIDES 시뮬레이터가 옴슈타인-울렌벡 과정을 통해 시간 단위를 효율적으로 처리함으로써 이러한 모델을 지원하는 플랫폼으로서의 장점을 제시하기 위해.

제안 방법

• κ (평균 회귀 속도), r̄ (평균 값), uₜ ~ N(0, σ²ₛ) (쇼크 분산)를 매개변수로 사용하는 이산적 평균 회귀 과정을 활용해 기초 가격 시리즈를 생성한다.
• 기초 가치를 모델링하기 위해 연속시간 옴슈타인-울렌벡(OU) 과정을 사용하며, 중간 단계 없이 미래 값들을 직접 계산할 수 있어 효율적인 계산이 가능하다.
• 실제 시장의 변동성과 일일 패턴을 더 잘 반영하기 위해 OU 과정에 '메가쇼크 이벤트'를 도입한다.
• 정확한 시리즈의 노이즈가 섞인 관측치를 바탕으로 현재 및 향후 기초 가치를 추정하기 위해 베이지안 추론을 적용한다.
• 개인적 평가 벡터 Θᵠ 과 총 평가 벡터 Vᵠ 을 사용해 에이전트의 주식 포지션에 대한 개별 평가를 계산한다.
• 이전 주문 데이터를 활용해 거래 확률을 추정함으로써 기대 슈퍼플러스 𝔼(s|p)를 (평가가격 − 지정가) × 거래 확률의 곱으로 계산한다.

실험 결과

연구 질문

• RQ1 에이전트 기반 금융 시뮬레이션에서 에이전트 행동을 기반으로 삼을 수 있는 일관성 있고 외생적인 기초 가격 시리즈는 어떻게 생성할 수 있는가?
• RQ2 에이전트가 기초 가치의 진짜 값을 알 수 없고 노이즈가 섞인 관측치만 가질 경우, 어떻게 진짜 기초 가치를 추정할 수 있는가?
• RQ3 제로 지능과 히우리스틱 믹스팅 신념 학습 에이전트는 시뮬레이션된 시장에서 지정가 주문을 설정하기 위해 어떤 전략을 사용하는가?
• RQ4 에이전트는 이전 주문 기록에서 어떻게 기대 슈퍼플러스를 계산해 최적의 지정가를 선택할 수 있는가?
• RQ5 이산적 시간 시리즈에 비해 OU 과정은 희박한 에이전트 활동을 시뮬레이션할 때 어떤 장점을 제공하는가?

주요 결과

• 노이즈가 섞인 확률적 쇼크를 포함한 이산적 평균 회귀 시리즈는 장기 평균으로 수렴하는 현실적인, 노이즈가 있는 기초 가격 경로를 생성한다.
• 옴슈타인-울렌벡 과정은 모든 시간 단위를 거치지 않고도 미래 기초 가치를 직접 계산할 수 있어 효율적인 시뮬레이션을 가능하게 한다.
• OU 과정에 메가쇼크 이벤트를 통합함으로써 실제 주식 차트와 더 유사한 일일 가격 패턴을 생성할 수 있다.
• 기초 과정의 매개변수를 알고 있는 조건에서, 베이지안 추론을 사용하는 에이전트는 높은 정확도로 진짜 기초 가치를 추정할 수 있다.
• 히우리스틱 믹스팅 신념 학습 에이전트는 거래 확률과 평가를 바탕으로 $100.0에 지정가 매수 주문을 선택하여 최대 기대 슈퍼플러스 $0.10을 달성한다.
• ABIDES 시뮬레이터는 나노초 해상도의 시간 단위 처리와 즉각적인 에이전트 통합을 통해 이러한 모델을 효율적으로 지원한다.