Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning
Yonsei University(延世大学)
自主交易代理是人工智能解决资本市场投资组合管理问题最活跃的研究领域之一。投资组合管理问题的两个主要目标是最大化收益和抑制风险。然而,大多数解决这个问题的方法只考虑最大化收益。因此,本文提出了一种基于深度强化学习的交易代理,它可以管理投资组合,不仅考虑利润最大化,还考虑风险约束。我们还提出了一个新的目标政策,让交易代理人学习更喜欢低风险的行动。新的目标策略可以通过超参数调整贪婪度来反映在更新中。拟议的交易代理通过加密货币市场的数据验证性能。加密货币市场是测试我们交易代理的最佳试验场,因为每分钟积累的数据量巨大,市场波动性极大。作为实验结果,在测试期间,我们的代理人实现了1800%的回报,并提供了现有方法中风险最小的投资策略。实验表明,即使在市场波动较大或训练周期较短的情况下,该智能体仍能保持鲁棒的广义性能。
2019-09-07 cs.AI q-fin.TR
Trading behavior and excess volatility in toy markets
研究了自适应归纳理性代理人的玩具市场中代理人的交易行为与波动性之间的关系。我们表明,过度波动,在这样的简化市场,出现的后果{ \em i)}忽视隐含在价格采取行为的市场影响和{ \em ii)}过度反应的代理。这些问题在没有公开资料的简单情况下详细讨论。对于一般情况,我们还推导出临界学习率,高于该临界学习率,交易行为会导致市场的动荡动态。
2000-06-19 cond-mat.dis-nn cond-mat.stat-mech nlin.AO
Price impact equilibrium with transaction costs and TWAP trading
我们证明了一个具有交易成本和价格影响的模型中均衡的存在性,其中两个代理人被激励向一个目标进行交易。两种类型的摩擦-价格影响和交易成本-导致代理人的最优投资方法的两个不同的变化:价格影响导致代理人不断交易量较小,而交易成本导致代理人在交易期结束前停止交易。由于代理人因交易成本而损失财富,交易所获得利润。从交易所的角度证明了严格正的最优交易成本的存在性。
2020-02-19 q-fin.MF q-fin.TR
Adaptive trading strategies across liquidity pools
在本文中,我们提供了一个灵活的框架,用于在不同场所上市的资产的最佳交易。我们考虑了交易场所的不平衡和分散之间的依赖关系,并允许在不同的限制下部分执行限价订单以及市价订单。我们提出了一个贝叶斯更新的模型参数,考虑到可能不断变化的市场条件,并提出扩展,包括短/长的交易信号,市场冲击或隐藏的流动性。为了解决交易者的随机控制问题,我们应用了有限差分法,并开发了一种深度强化学习算法,允许考虑更复杂的设置。
2020-08-18 q-fin.MF q-fin.TR
Evolving ab initio trading strategies in heterogeneous environments
证券市场是典型的复杂自适应系统,在这个系统中,不同的代理人为了最大化收益而竞争。交易代理人的物种也受到进化的压力,因为整个类别的策略变得过时,新的类别出现。使用基于代理的模型的交互异构代理作为一个灵活的环境,可以内生地模拟许多不同的市场条件,我们的深度神经网络的进化压力,创造占主导地位的交易代理。在分析了这些代理的性能,并注意到通过进化过程中出现的异常超扩散,我们构建了一种方法,把高适应度代理交易算法。我们在真实的高频外汇数据上对这些交易算法进行了回测,证明了精英交易算法在各种市场条件下都能持续盈利,尽管这些算法以前从未接触过真实的金融数据。这些结果提供的证据表明,开发\textit{ab initio}交易策略的重复模拟和进化的机械市场模型可能是一个实际的替代明确培训模型与过去观察到的市场数据。
2019-12-19 cs.NE q-bio.PE q-fin.TR
Rock around the Clock: An Agent-Based Model of Low- and High-Frequency Trading
我们建立了一个基于主体的模型来研究低频和高频交易之间的相互作用如何影响资产价格动态。我们的主要目标是调查高频交易是否会加剧市场波动并产生闪电崩盘。在该模型中,低频代理人采用基于时间顺序的交易规则,并可以在基本面和图表策略之间切换。相反,高频交易者的激活是事件驱动的,取决于价格波动。高频交易者使用方向策略来利用低频交易者产生的市场信息。蒙特卡洛模拟表明,该模型复制了金融市场的主要程式化的事实。此外,我们发现,高频交易的存在增加了市场波动性,并在闪电崩盘的产生中发挥了根本性的作用。闪电崩盘的出现可以用高频交易者的两个显著特征来解释,即他们能够i)产生高买卖价差,ii)在限价订单簿的卖方同步。最后,我们发现高频交易者取消撤单的比率越高,闪电崩盘的发生率越高,但持续时间越短。
2014-02-10 q-fin.TR
Dynamics of price and trading volume in a spin model of stock markets with heterogeneous agents
在最近提出的一个泡沫和崩溃出现的自旋模型的框架内,讨论了具有异质代理的股票市场的动态。我们在模型中将股票价格的对数收益率与磁化强度联系起来,发现它与真实市场中观察到的交易量密切相关。对数收益率的累积分布表现出指数比2更陡的标度,并且在牛市和熊市之间的过渡时间分布中观察到标度。
2002-07-10 cond-mat.stat-mech q-fin.TR
How to Evaluate Trading Strategies: Single Agent Market Replay or Multiple Agent Interactive Simulation?
我们展示了多代理模拟器如何支持两种重要但不同的方法来评估交易策略:市场重播和交互式基于代理的模拟(IABS)。我们的解决方案很重要,因为每种方法都提供了暴露或隐藏主题策略中缺陷的优点和缺点。市场重演的一个关键弱点是,模拟市场并没有充分适应或响应实验策略的存在。IABS方法提供了一个人工市场的实验策略,使用人口的背景交易代理。由于后台代理人将市场条件和当前价格作为其策略的一部分,因此整个市场对实验策略的存在做出反应。即便如此,IABS的方法也有其自身的弱点,主要是不清楚它们提供的市场环境是否现实。我们详细描述了我们的方法,并说明了它在一个示例应用程序中的使用:各种规模订单的市场冲击评估。
2019-06-28 cs.GT q-fin.TR
Trading with the Crowd
我们制定并解决了金融代理人之间的多玩家随机微分博弈寻求成本有效地清算他们在风险资产中的头寸,在存在联合汇总的瞬时价格影响的情况下,同时考虑到一个共同的一般价格预测信号。独特的纳什均衡策略揭示了每个代理人的清算政策如何调整预测的交易信号,所有其他代理人引起的总瞬时价格影响。这揭示了拥挤市场中交易信号和订单流之间的定量关系。我们还制定和解决相应的平均场对策在无限多个代理的限制。我们证明了有限$N$ -局中人博弈中代理人的均衡交易速度和价值函数以速率$O(N^{-2})$收敛于平均场博弈中相应的交易速度和价值函数。此外,我们证明了平均场最优策略提供了一个近似纳什均衡的有限人博弈。
2023-03-22 math.PR q-fin.TR
Gray-box Adversarial Attack of Deep Reinforcement Learning-based Trading Agents
University of Calgary(卡尔加里大学);York University(约克大学)
针对受交易所 API 保护、无法白盒访问的深度强化学习交易智能体,提出一种仅通过同市场交易实施攻击的混合 DNN 灰盒对抗策略,并验证其可显著降低多种交易系统奖励与利润。
2023-09-26 cs.CE cs.LG q-fin.TR
Optimal Signal-Adaptive Trading with Temporary and Transient Price Impact
我们研究了最优清算的线性暂时和瞬态价格的影响,同时考虑到一般的价格预测有限变化信号的存在。我们制定了这个问题的成本风险函数的最小化一类绝对连续和信号自适应策略。随机控制问题是解决以下的概率和凸分析方法。我们发现,最佳的交易策略是由一个系统的四个耦合的向前向后的随机微分方程,可以明确地解决。我们的研究结果揭示了如何诱导瞬态价格扭曲提供了一个额外的预测未来的价格变化的预测信号。因此,最佳信号自适应交易率权衡利用预测信号,以避免执行价格从其未受影响的水平发生瞬时位移。这回答了Lehalle和Neuman [29]提出的一个悬而未决的问题,因为我们展示了如何在价格影响不仅是暂时的而且是瞬时的情况下推导出唯一的最优信号自适应清算策略。
2022-01-13 math.PR q-fin.TR
Trading Strategies of a Leveraged ETF in a Continuous Double Auction Market Using an Agent-Based Simulation
杠杆ETF是一种基金,旨在实现比日经225期货等基础资产高出数倍的回报率。最近,有人建议,重新平衡杠杆式ETF的交易可能会破坏金融市场的稳定。一项使用基于代理人的模拟的实证研究表明,再平衡贸易战略可能影响基础资产市场的价格形成。然而,尚未提出尽可能抑制波动性增加的杠杆ETF交易方法。在本文中,我们比较了不同的交易策略,提出了一个交易模型,并报告了我们的调查结果,如何最好地抑制市场波动的增加。结果发现,随着再平衡交易中最小订单数量的增加,对市场价格形成的影响减少。
2020-10-25 cs.MA q-fin.TR
A Multimodal Foundation Agent for Financial Trading: Tool-Augmented, Diversified, and Generalist
Nanyang Technological University(南洋理工大学);National University of Singapore(新加坡国立大学);Zhejiang University(浙江大学)
本文提出FinAgent,一个融合多模态数据处理、工具增强与双层反思记忆机制的基础智能体,在6个金融数据集上显著超越9个基线,实现利润平均提升超36%。
2024-06-28 cs.AI q-fin.TR
Fairness in Multi-agent Reinforcement Learning for Stock Trading
Capgemini Invent(凯捷 Invent)
不公平的股票交易策略已被证明是客户对交易的最负面看法之一,并可能导致公司的长期损失。投资银行通常会为多个目标资产相同但订单规模不同、时间框架和风险规避水平等要求不同的客户下达交易订单,从而无法同时优化总收益和个人收益。提前执行的订单会影响市场价格水平,因此延迟执行通常意味着额外的执行成本。在本文中,我们提出了一个新的计划,利用多智能体强化学习系统来获得股票交易策略的所有客户端之间保持收入和公平性的平衡。首先,我们证明了强化学习(RL)能够从经验中学习,并使交易策略适应复杂的市场环境。其次,我们证明了多代理RL系统允许为所有客户单独开发交易策略,从而优化个人收入。第三,我们使用广义基尼指数(GGI)聚合函数来控制所有客户端的收入公平水平。最后,我们实证证明了新方案的优越性,在提高公平性,同时保持收入的优化。
2019-12-14 cs.LG cs.MA q-fin.ST
When AI Trading Agents Compete: Adverse Selection of Meta-Orders by Reinforcement Learning-Based Market Making
JP Morgan(摩根大通)
研究基于Hawkes LOB模型与脉冲控制强化学习框架,探讨了高频做市商对中频交易者meta订单的不利选择机制,发现RL代理能利用meta订单引起的价格漂移获利,
2025-10-31 cs.LG q-fin.TR
ContestTrade: A Multi-Agent Trading System Based on Internal Contest Mechanism
Stepfun;FinStep
针对基于LLM的智能体在金融交易中决策受市场信息影响的问题,提出ContestTrade多智能体交易系统,通过“量化 - 预测 - 分配”竞争机制及两个专业团队协作,在A股回测中取得较好收益和风险调整绩效。
2026-08-21 cs.CL q-fin.CP q-fin.TR
Learning the Market: Sentiment-Based Ensemble Trading Agents
Case Western Reserve University(凯斯西储大学);The Pennsylvania State University(宾夕法尼亚州立大学);University of Washington(华盛顿大学);University of Southern California(南加州大学);Mentor High School(门托高中)
本文提出一种结合金融情绪分析与深度强化学习集成算法的股票交易策略,通过动态切换活跃智能体,在盈利性、稳健性和风险控制上优于传统集成、单一智能体及市场基准。
2024-11-20 cs.LG q-fin.TR
Applications of Reinforcement Learning in Finance -- Trading with a Double Deep Q-Network
School of Engineering(工程学院);Zurich University of Applied Sciences(苏黎世应用科技大学)
本文提出了一种用于交易单一资产的双深度Q网络算法,即E-mini S&P 500连续期货合约。我们使用经过验证的设置作为具有多个扩展的环境的基础。我们的交易代理的功能不断扩展,以包括商品等额外资产,从而产生四种模式。我们还应对环境状况,包括成本和危机。我们的交易代理首先在特定的时间段内进行培训,并在新数据上进行测试,并将其与长期持有策略作为基准(市场)进行比较。我们分析了各种模型之间的差异和相对于环境的样本内/样本外性能。实验结果表明,交易代理遵循适当的行为。它可以根据不同的情况调整其政策,例如在存在交易成本时更广泛地使用中立立场。此外,净资产价值超过了基准,和代理跑赢了市场的测试集。我们提供了初步的见解代理在金融领域使用DDQN算法的行为。本研究的结果可用于进一步的开发。
2022-06-28 cs.LG q-fin.TR
Toward Expert Investment Teams:A Multi-Agent LLM System with Fine-Grained Trading Tasks
Japan Digital Design, Inc.(日本数字设计公司)
本文提出了一种多智能体LLM交易框架,通过细粒度任务分解提升风险调整后的回报,并通过分析输出与决策偏好的一致性提高系统性能。
2026-02-26 cs.AI q-fin.TR
TraderTalk: An LLM Behavioural ABM applied to Simulating Human Bilateral Trading Interactions
UNSW(新南威尔士大学)
该研究提出TraderTalk模型,通过LLM生成行为增强ABM模拟人类双边交易互动,解决代理轮流发言等挑战,在政府债券市场复制交易决策并验证了成交订单量比,证明LLM增强ABMs在金融模拟中的潜力。
2024-10-10 cs.AI q-fin.TR
A Reflective LLM-based Agent to Guide Zero-shot Cryptocurrency Trading
National University of Singapore(新加坡国立大学)
本研究开发了结合链上链下数据分析与反思机制的LLM智能体CryptoTrade,拓展了LLM在加密货币交易的应用,建立了相关策略基准,其收益表现优于传统策略和时间序列基线。
2026-08-18 cs.SI q-fin.TR
Optimizing Trading Strategies in Quantitative Markets using Multi-Agent Reinforcement Learning
Tsinghua Shenzhen International Graduate School(清华大学深圳国际研究生院)
本文融合CPPI与TIPP策略于MADDPG框架,提出CPPI-MADDPG和TIPP-MADDPG两种多智能体强化学习方法,在100只真实股票上验证其优于传统交易策略,提升量化交易绩效。
2023-12-22 cs.LG cs.MA q-fin.TR
SOTA: Stock Options Trading Agents Guided by Option-Implied Return Distributions
Carnegie Mellon University(卡内基梅隆大学);Amazon(亚马逊)
提出SOTA智能体交易框架,将期权策略选择抽象为策略层面决策,通过监督微调和强化学习训练Qwen模型,在美股期权上实现18.3%总回报和1.60夏普比率,并发现新闻在训练中的不对称作用。
2026-10-08 cs.AI cs.LG q-fin.PM
The Stock Market as a Game: An Agent Based Approach to Trading in Stocks
正如战争有时被错误地描述为零和游戏--而实际上战争是一个负和游戏--股票市场交易,一个随着时间的推移的正和游戏,经常被错误地描述为零和游戏。这就是所谓的“零和谬误”--错误地认为,在股票市场交易所,一个交易者只能在其他交易者的头寸恶化的情况下改善自己的头寸。然而,绝对意义上的正和博弈可以被改写为相对意义上的零和博弈。同样,绝对意义上的负和游戏似乎已经被改写为相对意义上的零和游戏:否则,为什么零和游戏会被用来代表战争局势?这种重铸可能具有启发性或教育性的意义,但重铸必须明确说明,否则会产生混乱。关键词:博弈论,股票交易和基于智能体的人工智能。
2008-09-02 cs.AI cs.GT q-fin.TR
Mean Field Games with Partial Information for Algorithmic Trading
金融市场往往由交易者无法观察到的潜在因素驱动。在这里,我们解决了一个算法交易问题的集合异构代理人的目标是执行最优执行或统计套利,所有代理人过滤的潜在状态的世界,他们的交易行为有永久和暂时的价格影响。这导致了一个大型的随机游戏与异构代理。我们解决了随机游戏,调查其平均场游戏(MFG)的限制,与子种群的异质代理,并使用凸分析方法,我们表明,解决方案的特点是由一个向量值向前倒向随机微分方程(FB)。我们证明,FBBERO承认一个唯一的解决方案,获得它的封闭形式,并表征的最佳行为的代理商在MFG平衡。此外,我们证明了MFG均衡提供了一个$ε$ -纳什均衡的有限局中人博弈。最后,我们通过模拟实例说明了代理使用最佳MFG策略的行为。
2019-03-31 math.PR q-fin.MF q-fin.ST
JaxMARL-HFT: GPU-Accelerated Large-Scale Multi-Agent Reinforcement Learning for High-Frequency Trading
Department of Computer Science, University of Oxford(牛津大学计算机系);Department of Engineering Science, University of Oxford(牛津大学工程科学系);Department of Statistics, University of Oxford(牛津大学统计系);Department of Mathematics, University of California Los Angeles(加州大学洛杉矶分校数学系);Foerster Lab for AI Research, University of Oxford(牛津大学福斯特人工智能研究实验室)
提出首个高频交易GPU加速开源多智能体强化学习环境JaxMARL-HFT,基于JAX实现端到端训练时间最高缩减240倍,并验证智能体可优于标准基准。
2025-11-03 cs.MA q-fin.TR
The Problem of Calibrating an Agent-Based Model of High-Frequency Trading
基于代理的模型,特别是那些适用于金融市场,证明了产生现实的能力,模拟系统动态,在实证调查中观察到的。尽管如此,它们仍然相当难以校准,因为它们往往是计算昂贵的,即使在最近的技术进步。出于这个原因,基于金融代理的模型经常通过展示再现众所周知的日志返回时间序列和中央限价订单簿程式化事实的能力来验证,而不是严格校准交易数据。因此,我们将一个建立的基于金融代理的模型校准框架应用于一个简单的高、低频交易者互动模型,并证明了一个程式化的以事实为中心的模型验证方法可能存在的不足。我们进一步认为,校准的中心地位,以验证金融代理为基础的模型和可能的陷阱,目前的方法,以金融代理为基础的建模。
2017-03-23 q-fin.CP q-fin.TR
Reinforcement Learning for Systematic FX Trading
University College London(伦敦大学学院)
我们探索在线归纳迁移学习,将特征表示从高斯混合模型隐藏处理单元形成的径向基函数网络转移到直接的,经常性的强化学习代理。这个代理人在实验中工作,交易主要的现货市场货币对,在那里我们准确地计算交易和融资成本。这些利润和损失的来源,包括货币市场上发生的价格趋势,都是通过二次效用提供给代理人的,代理人学会了直接瞄准一个位置。我们通过在线迁移学习环境中的风险头寸来改进早期的工作。在7年的测试集上,我们的代理实现了0.52的年化投资组合信息比率,复合回报率为9.3\%,扣除执行和融资成本;尽管迫使模型在交易日结束时在美国东部时间下午5点进行交易,但交易成本在统计上是最昂贵的。
2022-05-21 cs.LG q-fin.TR
Multi-Agent Deep Reinforcement Learning for Liquidation Strategy Analysis
Columbia University(哥伦比亚大学)
清算是指在一定时间范围内,考虑到市场冲击和交易者的风险规避所产生的成本,连续出售一种股票的大量股份的过程。在优化清算的主要挑战是找到一个合适的建模系统,可以纳入股票市场的复杂性,并产生实用的交易策略。在本文中,我们建议使用多智能体深度强化学习模型,与各种机器学习方法相比,它可以更好地捕捉高级复杂性,以便智能体可以学习如何做出最佳销售决策。首先,我们从理论上分析了Almgren和Chriss模型,并对其基本机制进行了扩展,使其可以作为多主体交易环境。我们的工作为未来的多智能体环境交易分析奠定了基础。其次,我们通过调整每个代理的奖励函数来分析代理之间的合作和竞争行为,这克服了单代理强化学习算法的局限性。最后,我们模拟交易,并开发了一个最佳的交易策略与实际的限制,通过使用强化学习方法,这表明强化学习方法在解决现实的清算问题的能力。
2019-06-24 cs.LG q-fin.TR stat.ML
Liquidity Effects of Trading Frequency
在这篇文章中,我们提出了一个离散时间的建模框架,其中的形状和动态的限价订单簿(LOB)内生于多个市场参与者(代理人)之间的均衡。我们使用建议的建模框架来分析交易频率对市场流动性的影响,在一个非常一般的设置。特别是,我们证明了高交易频率的双重影响。一方面,较高的频率增加市场有效性,如果代理人选择提供流动性的均衡。另一方面,它也使市场更加脆弱,在这个意义上,代理人选择提供均衡流动性,只有当他们是市场中性的(即,他们的信念满足一定的鞅性质)。如果交易频率足够高,即使是非常小的偏离市场中性也可能导致代理人停止提供流动性,这代表市场中的内生流动性危机(又名闪电崩盘)。这一框架使我们能够更深入地了解这种流动性危机是如何展开的,并将其与所谓的逆向选择效应联系起来。
2017-05-09 q-fin.MF q-fin.TR
Adversarial Attacks on Deep Algorithmic Trading Policies
Instituto Superior de Economia e Gestão(里斯本大学经济与管理高等学院);Universidade de Lisboa(里斯本大学);University of New Haven(纽黑文大学);Royal Bank of Canada(加拿大皇家银行)
深度强化学习(DRL)已成为算法交易(如股票和加密货币的高频交易)的一种有吸引力的解决方案。然而,DRL已被证明易受对抗攻击的影响。因此,算法交易DRL代理也可能受到这种对抗性技术的损害,导致政策操纵。在本文中,我们为深度交易策略开发了一个威胁模型,并提出了两种在测试时操纵此类策略性能的攻击技术。此外,我们证明了针对基准和现实世界的DQN交易代理的攻击的有效性。
2020-10-22 cs.LG q-fin.TR
Real payoffs and virtual trading in agent based market models
最近引入的\$-游戏作为少数人游戏的延伸。在本文中,我们比较这个模型与众所周知的少数人博弈和多数人博弈模型。由于市场收益的跨期性质,我们引入了一个两步交易与单一和混合组的相互作用的交易者。当种群由两组不同的\$-交易者组成时,它们表现出反模仿行为。然而,当他们与少数或多数玩家互动时,\$-人口会模仿这些玩家的通常行为。最后,我们讨论了这些模型如何有助于澄清市场机制。
2004-04-03 cond-mat.stat-mech q-fin.TR
Resisting Manipulative Bots in Meme Coin Copy Trading: A Multi-Agent Approach with Chain-of-Thought Reasoning
UCL, Centre for Blockchain Technologies(伦敦大学区块链技术中心);The University of Hong Kong, FinTech Academy(香港大学金融科技学院);Nanyang Technological University(南洋理工大学)
本文提出一种基于多智能体和链式推理的复制交易系统,以抵御操纵机器人,通过多模态大语言模型提升预测准确度和经济表现,实现加密货币投资的稳健收益。
2026-02-05 cs.AI q-fin.TR
MacroHFT: Memory Augmented Context-aware Reinforcement Learning On High Frequency Trading
Nanyang Technological University(南洋理工大学);Skywork AI(天工智源);Singapore University of Technology and Design(新加坡科技设计大学)
针对现有高频交易强化学习方法过拟合、单智能体决策片面易致损的问题,提出含条件适配器子智能体与带记忆机制超智能体的两阶段MacroHFT框架,在分钟级加密货币交易任务上达SOTA性能。
2024-06-20 cs.LG q-fin.TR
Asynchronous Deep Double Duelling Q-Learning for Trading-Signal Execution in Limit Order Book Markets
Oxford-Man Institute of Quantitative Finance(牛津-曼氏量化金融研究所);University of Oxford(牛津大学)
本文基于 ABIDES 与 OpenAI gym 构建纳斯达克限价订单簿环境,采用 APEX 架构的 Deep Duelling Double Q-learning 训练交易智能体,证明其在合成 alpha 信号下优于启发式基准。
2023-09-25 cs.LG q-fin.TR
Fast Agent-Based Simulation Framework with Applications to Reinforcement Learning and the Study of Trading Latency Effects
我们介绍了一个新的软件工具箱,基于代理的仿真。通过提供用户友好的Python API来促进快速原型设计,其核心依赖于高效的C++实现,以支持大规模多智能体系统的模拟。我们的软件环境受益于多功能的消息驱动架构。它最初是为支持金融市场的研究而开发的,它提供了灵活性,可以模拟各种不同的(易于定制的)市场规则,并研究辅助因素(如延迟)对市场动态的影响。作为一个简单的例子,我们使用我们的工具箱来研究订单处理延迟在正常交易中的作用,以及价格发生重大变化的情况。由于其通用架构,我们的工具箱也可以作为一个通用的多智能体系统模拟器。我们提供了这样一个非金融应用程序的例子,通过模拟一个机制,在多代理网络路由的情况下,以前在文献中提出的无悔学习代理的协调。
2022-09-21 cs.MA q-fin.CP q-fin.TR
A detailed heterogeneous agent model for a single asset financial market with trading via an order book
我们提出了一个基于代理的模型,一个单一的资产金融市场,是能够复制几个非平凡的统计特性,在真正的金融市场,一般被称为程式化的事实。虽然文献中报道的先前模型也能够复制这些统计特性中的一些,但一般来说,它们倾向于过度简化交易机制或代理人的行为。在我们的模型中,我们努力捕捉这两个方面的最重要的特征,以创建代理人,这些代理人采用受真实市场中使用的策略启发的策略,同时,基于双重拍卖订单簿的更现实的交易机制。我们研究了不同类型的交易者对收益统计的作用:具体来说,相关性(或缺乏相关性),波动性聚类,重尾,以及分布可以用对数正态描述的程度。此外,通过引入获利回吐的做法,我们的模型也能够复制与损失和收益分布不对称有关的程式化事实。
2016-07-09 q-fin.CP q-fin.TR
When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments
University of Liverpool(利物浦大学);Peking University(北京大学);Shanghai University of Finance(上海金融学院);Rutgers University(罗格斯大学);University of Michigan(密歇根大学);Northwestern University(西北大学);New York University(纽约大学);Xi’an Jiaotong-Liverpool University(西安交通大学利物浦大学);New Jersey Institute of Technology(新泽西理工学院)
提出基于大语言模型的多智能体系统StockAgent,模拟真实股票交易环境,评估外部因素对交易行为的影响,并避免测试集泄露问题。
2026-06-24 cs.AI cs.MA q-fin.TR
FLAG-Trader: Fusion LLM-Agent with Gradient-based Reinforcement Learning for Financial Trading
Harvard University(哈佛大学);Stevens Institute of Technology(史蒂文斯理工学院);Columbia University(哥伦比亚大学);University of Minnesota(明尼苏达大学);NVIDIA(英伟达公司);Rensselaer Polytechnic Institute(伦斯勒理工学院);TheFinAI;University of Manchester(曼彻斯特大学)
针对大语言模型在交互式金融交易等多步骤目标导向场景中决策能力不足的问题,提出融合LLM与梯度驱动强化学习的FLAG-Trader框架,以部分微调LLM为策略网络,经交易奖励优化后提升交易及其他金融任务表现。
2025-02-19 cs.AI cs.CE q-fin.TR
Behavioral Consistency Validation for LLM Agents: An Analysis of Trading-Style Switching through Stock-Market Simulation
Fudan University(复旦大学);Wuhan University(武汉大学);BNP Paribas(BNP巴黎银行);Oxford University(牛津大学);Haven
本文通过股票市场模拟分析交易风格切换,评估LLM代理策略切换与金融理论的一致性,提出四个行为金融驱动因素作为性格特质,并通过Mann-Whitney U检验比较策略切换行为与理论的一致性。
2026-03-24 cs.AI q-fin.TR
Insider Trading with Temporary Price Impact
我们建立了一个知情的代理人的模型,该代理人具有关于资产未来价值的信息,当受到交易成本的影响时,该代理人试图使利润最大化,并且该代理人的任务是设定公平的交易价格。在单一拍卖模型中,均衡的特征在于一个特定多项式的唯一根。这个多项式的分析与风险规避和交易成本的小水平揭示了一个无量纲的参数,捕捉几个订单的渐近精度的均衡行为。在一个连续时间模拟的单一拍卖模型,纳入交易成本允许知情代理的最佳交易策略,以获得反馈的形式。线性平衡的特征在于两个常微分方程组的唯一解,其中一个是向前的,另一个是向后的。当存在交易成本时,均衡状态下做市商设定的价格并没有充分反映知情代理人的私人信号,在交易区间结束时存在信息缺口。当考虑交易成本为零时,均衡交易策略和定价规则收敛于无摩擦的对应规则。
2020-07-28 q-fin.TR
Price formation and optimal trading in intraday electricity markets
我们开发了一个易于处理的均衡模型,在间歇性可再生能源发电的存在下,在日内电力市场的价格形成。利用随机控制理论,我们确定了代理商的最优策略与市场冲击和展示纳什均衡在封闭形式的有限数量的代理商,以及在平均场博弈的渐近框架。我们的模型再现了日内市场价格的经验特征,例如在交割日临近时价格波动性增加以及价格与可再生进料预测之间的相关性,并将这些特征与流动性,代理商数量和不平衡惩罚等市场特征联系起来。
2021-06-30 q-fin.PR q-fin.TR
The Importance of Low Latency to Order Book Imbalance Trading Strategies
人们普遍认为,对交易所的低延迟访问是许多高频交易策略盈利的关键因素。某些金融公司为与交易所服务器合用同一地点而进行的“军备竞赛”证明了这一信念。据我们所知,我们的研究是第一个验证和量化这一假设在一个连续的双重拍卖市场与一个单一的交易所类似于纽约证券交易所。在没有报告贸易商身份和地点的历史数据的情况下进行这种探索是不可行的。因此,我们调查的延迟访问订单簿信息和盈利能力的交易策略利用该信息与基于代理的交互式离散事件模拟,成千上万的代理追求原型交易策略之间的关系。我们介绍了实验交易者追求低延迟订单簿不平衡(OBI)策略,在数千个模拟交易日的控制方式,并分析OBI交易者的利润,而不同的距离(延迟)从交易所。我们的实验支持延迟与OBI交易员的利润呈负相关,但更有趣的是,延迟排名,而不是绝对幅度,是追求类似策略的代理之间分配回报的关键因素。
2020-06-15 q-fin.TR
From Knowing to Doing: A Memory-Controlled Benchmark for LLM Trading Agents on Stock Markets
Tsinghua University(清华大学);Stepfun;FinStep;Shanghai Jiao Tong University(上海交通大学);Adelaide University(阿德莱德大学)
针对LLM交易智能体评估中的知识泄露和收益归因问题,提出KTD-Fin基准,通过数据掩码和Barra风格归因框架,分离市场记忆与投资决策,并揭示收益主要来自被动市场暴露而非选股能力。
2026-05-27 cs.AI q-fin.TR
MountainLion: A Multi-Modal LLM-Based Agent System for Interpretable and Adaptive Financial Trading
The University of Texas at Arlington(德克萨斯大学阿灵顿分校);Sichuan University(四川大学);Northwestern University(西北大学);Indiana University(印第安纳大学);Emory University(埃默里大学);Nankai University(南开大学);MountainLion Research(MountainLion研究机构);Xi’an University of Electronic Science and Technology(西安电子科技大学);Kyoto University(京都大学);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Nanjing university(南京大学);Tsinghua University(清华大学);University of Toronto(多伦多大学)
本文提出 MountainLion 多模态多智能体金融交易系统,通过协调专用 LLM 智能体融合新闻、K线图和交易信号,结合反思模块动态优化策略,实现可解释且自适应的投资决策并提升收益。
2025-09-19 cs.CL cs.LG q-fin.TR
Which Trading Agent is Best? Using a Threaded Parallel Simulation of a Financial Market Changes the Pecking-Order
本文提出了一个新的当代金融市场的模拟模型,提出了严重的怀疑,以前广泛接受的各种知名的公共领域的自动交易算法的相对性能的观点所产生的新的结果。在过去25年中,在一种军备竞赛中提出了各种公共领域交易算法,其中每个新的交易算法都与以前的最佳算法进行比较,从而建立了一个“啄食顺序”,即从各种交易算法中最好到最差的部分排序的支配等级。这些算法中的许多都是使用金融市场的简单最小模拟来开发和测试的,这些最小模拟仅弱地近似于真实市场涉及许多不同交易系统异步和并行操作的事实。在本文中,我们使用BSE,一个公共领域的市场模拟器,运行一组实验,从几个著名的交易算法生成基准结果。BSE采用了一种非常简单的时间切片方法来模拟并行性,这种方法有明显的已知弱点。然后,我们修改和扩展BSE,使其线程化,以便不同的交易者算法异步和并行操作:我们称此模拟器为Threaded-BSE(TBSE)。然后,我们在TBSE上重新运行交易员实验,并将TBSE结果与我们之前在BSE上的基准结果进行比较。我们的比较表明,在我们更现实的实验中的优势层次结构是从原来的简单的模拟器所给出的不同。我们的结论是,模拟的并行性很重要,早期的结果从简单的模拟比较不同的交易者算法不再是完全可信的。
2020-09-15 cs.CE q-fin.TR
FinVision: A Multi-Agent Framework for Stock Market Prediction
University of Illinois at Chicago(伊利诺伊大学芝加哥分校)
本研究提出FinVision,一个专为金融交易设计的多模态多智能体框架,利用专门LLM智能体处理新闻、K线图等数据,并集成反思模块分析历史信号,显著提升了系统的决策能力。
2024-10-29 cs.AI q-fin.TR
HedgeAgents: A Balanced-aware Multi-agent Financial Trading System
South China University of Technology(华南理工大学);ByteDance(字节跳动);Pazhou Lab(琶洲实验室)
针对 LLM 交易智能体在市场剧烈波动时大幅亏损的问题,本文提出由基金经理与多类对冲专家组成、通过三类会议协调的 HedgeAgents 多智能体系统,三年实现 70% 年化收益和 400% 总收益。
2025-02-17 cs.AI cs.MA q-fin.TR
Optimal liquidity-based trading tactics
我们考虑一个需要在固定的短时间间隔内购买(或出售)相对少量资产的代理人。我们以最高的频率工作,这意味着我们希望找到最佳的策略来执行我们的数量使用限价订单,市价订单和取消。为了解决代理人的控制问题,我们建立了一个订单簿模型,并优化了期望效用函数的基础上,我们的价格影响。我们推导出最优策略所满足的方程,并数值求解。此外,我们表明,我们的最佳策略使我们能够超越显着天真的执行策略。
2018-03-15 q-fin.TR
Price formation and optimal trading in intraday electricity markets with a major player
我们研究了间歇性可再生能源发电存在下的日内电力市场价格形成。我们认为,设置一个主要生产者可能会与大量的小生产者的战略互动。利用随机控制理论,我们确定了代理商的最佳策略与市场冲击和展示纳什均衡在封闭形式的渐近框架中的平均场游戏与一个主要的球员。这是[Féron,Tankov,and Tinsi,Price formation and optimal trading in the intraday electricity markets,arXiv:2009.04786,2020]的姊妹论文,其中在相同代理人的设置中开发了类似的模型。
2020-11-15 q-fin.PR q-fin.TR
Need, Greed and Noise: Competing Strategies in a Trading Model
我们研究了一个经济模型,其中代理商通过使用三个竞争规则之一来交易各种产品:“需要”,“贪婪”和“噪音”。我们发现,任何代理商的最优策略取决于整个市场的产品组成和市场中的策略组成。特别是,一个在两两竞争中表现最好的策略,在所有人都在场的情况下,很容易表现得更差,在某些情况下,导致“布、石头、剪刀”的循环层次结构。
2004-08-25 cond-mat.other q-fin.TR
Deep Reinforcement Learning for Quantitative Trading
本文提出QTNet,一种结合深度强化学习与模仿学习、基于POMDP框架的自适应量化交易模型,以应对噪声高频金融数据挑战,并实现探索与利用的平衡。
2023-12-25 q-fin.TR
AgenticAITA: A Proof-Of-Concept About Deliberative Multi-Agent Reasoning for Autonomous Trading Systems
Department of Information Engineering, Computer Science, and Mathematics, Center of Excellence for Research DEWS, University of L’Aquila(信息工程、计算机科学和数学系,DEWS研究中心,拉奎拉大学)
本文提出AGENTICAITA框架,通过多智能体协作推理替代传统信号执行模式,实现自主交易系统中无离线训练的决策流程,展示其在金融决策中的可行性与有效性。
2026-05-01 cs.AI q-fin.TR stat.ME
Commodities Trading through Deep Policy Gradient Methods
University of Oslo(奥斯陆大学)
本文提出用深度策略梯度方法(演员与演员-评论家)进行大宗商品交易,采用自适应时间离散化,回测显示夏普比率提升83%,演员模型优于演员-评论家,CNN略优于LSTM。
2023-08-10 cs.LG q-fin.TR