[论文解读] 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 4

一句话总结

本文提出一种基于条件生成对抗网络（CGAN）的框架，通过从历史数据中学习整体市场行为，生成逼真且具有响应性的市场模拟。CGAN将整个市场建模为单一的“世界”代理，根据当前市场状态生成限价单，从而实现准确、响应迅速的模拟，其在复现真实限价订单簿关键典型事实方面优于以往手工设计的基于代理的模型。

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.

研究动机与目标

• 为解决回测的局限性，即无法对交易代理行为作出市场响应建模。
• 克服难以获取专有交易员策略所带来的挑战，使得校准逼真的代理池变得困难。
• 开发一种可扩展、数据驱动的方法，以生成反映真实市场动态的合成市场行为。
• 确保模拟市场在保持真实感的同时，对实验性代理策略具有响应性。
• 提升基于代理的模拟在受控但市场真实的环境中评估交易策略的保真度。

提出的方法

• 在真实聚合级历史订单数据上训练条件生成对抗网络（CGAN），以学习市场状态与订单流之间的联合分布。
• CGAN根据当前市场状态特征（如买卖价差、订单簿失衡和价格趋势）生成限价单。
• 训练好的CGAN作为ABIDES仿真器中的“世界”代理，为特定资产模拟所有市场参与者的集体行为。
• 该框架集成至ABIDES——一个开源的基于代理的市场仿真器中，支持实验性代理与合成市场之间的交互。
• 该模型保留了真实市场的统计特性，包括波动率聚集、厚尾分布以及成交量-波动率相关性。
• 通过对比生成的市场轨迹与历史数据，利用限价订单簿的典型事实对仿真结果进行评估。

实验结果

研究问题

• RQ1 基于CGAN的模型能否生成保留真实金融市场统计特性的合成市场订单流？
• RQ2 基于CGAN的市场模拟是否对实验性代理的交易活动表现出真实的响应性？
• RQ3 在复现市场典型事实方面，CGAN生成模拟的逼真度与最先进水平的手工设计基于代理模拟相比如何？
• RQ4 单一CGAN代理在多大程度上能够代表数千名真实市场参与者的集体行为？
• RQ5 该框架能否支持新交易策略的“如果-那么”分析，并提供逼真的市场反馈？

主要发现

• CGAN框架最准确地复现了历史TSLA数据的一分钟对数收益分布，优于两种基线IABS配置。
• 该框架展现出最真实的波动率聚集模式，相关性随时间滞后合理衰减，与真实市场行为高度一致。
• 在成交量-波动率相关性方面，CGAN模拟显示出最具前景的趋势，尽管略微向左偏移，与历史数据相比。
• CGAN模拟表现出最低的收益自相关性，与历史数据高度吻合，表明价格效率具有极强的真实性。
• 当引入0.25-POV的实验性代理时，市场中价出现可测量且真实的偏离，随后发生均值回归，证明了市场的响应能力。
• 总体而言，CGAN框架在复现限价订单簿动态的关键典型事实方面，优于两种最先进水平的IABS配置。