Market Manipulation of Bitcoin: Evidence from Mining the Mt. Gox Transaction Network
加密货币市场是一个非常巨大的市场，缺乏有效的监管。认清市场操纵行为是否存在及其操纵模式，对于投资者和监管者都具有重要意义。针对这一问题，本文提出了一种挖掘交易所交易网络的方法。以Gox比特币交易所为例，首先根据其交易特征将交易账户分为三类，然后将交易历史构建成三个图。通过分析所构造的图，获得了许多观察和发现。为了评估账户的交易行为对比特币交易价格的影响，这些图被重构为序列并被重塑为矩阵。通过对矩阵进行奇异值分解（SVD），我们识别出了许多与价格波动有很大相关性的基网络。在进一步分析基础网络中最重要的账户时，发现了大量的市场操纵模式，根据这些发现，我们得出结论：Mt. Gox交易所和加密货币市场必须加强监管。
2019-01-19 cs.CE q-fin.GN q-fin.TR
Transaction Costs in Execution Trading
在目前的工作中，我们开发了一个形式主义，以解决问题的最优执行时，交易市场的证券。更准确地说，我们引入了一个效用函数，平衡市场冲击和时机风险，后者被建模为我们的订单执行所产生的非常负的交易成本。该框架是建立在现有的理论上的最佳交易策略，但结合的特点，使独特的执行策略。形式主义的补充，分析各种影响模型和不同的市场回报的分布特性。
2020-07-05 q-fin.TR
Trading activity and price impact in parallel markets: SETS vs. off-book market at the London Stock Exchange
我们实证研究的交易活动，在电子上的书部分，并在经销商的非书部分的伦敦证券交易所，分别调查交易活跃的市场成员和其他市场参与者的非会员。我们发现：（1）表外交易的交易量分布比表内交易的交易量分布有一个明显的厚尾，（ii）会员及非会员的组别可按其交易概况分类。（iii）市场会员因帐上市场交易而产生的每日存货变动，与因帐外市场交易而产生的存货变动，两者之间有密切的相关关系。与非会员的账面市场交易，和（iv）的自相关性的符号的订单的非会员在帐外市场正在慢慢衰减。我们还分析了随着时间的推移，无论是积极的和消极的滞后，电子交易和帐外交易的账面价格的影响函数。电子交易和帐外交易的无条件影响曲线非常不同。此外，电子交易的影响对交易量的依赖性较小，而非电子交易的影响函数的形状和大小强烈依赖于交易量。
2011-02-03 q-fin.TR
Market Directional Information Derived From (Time, Execution Price, Shares Traded) Sequence of Transactions. On The Impact From The Future
提出了一种从动态方程“期货价格趋向于单位时间交易股数最大化的价值”的非平稳解中获取市场方向信息的尝试。该方法的一个显着特点是自动时标选择。它是根据对过去事务计算的最大执行流的状态确定的。滞后价格和超前价格都被计算出来。
2022-10-09 cs.NA math.NA q-fin.CP
Statistical Arbitrage and Optimal Trading with Transaction Costs in Futures Markets
考虑了布朗市场模型和终端财富的期望效用最大化问题。具体而言，我们研究了在存在交易成本的情况下，基金/代理人投资期货市场的终端财富效用最大化问题。我们提供了一些初步的评论统计套利策略，我们设置的框架，期货市场，并介绍了概念，如保证金，杠杆和滑点。设定为离散时间，期货价格的价格演化被建模为包含伊藤和的离散随机序列。我们假设驱动收益过程的漂移和布朗运动是不可观测的，交易成本由买卖价差表示。我们提供了明确的解决方案，最优投资组合的过程中，我们提供了一个例子，使用对数效用。
2008-01-22 math.OC math.PR q-fin.TR
Continuous-time Equilibrium Returns in Markets with Price Impact and Transaction Costs
本文研究具有价格冲击和交易成本的伊藤金融市场，通过市场出清条件内生推导均衡收益，比较无摩擦与有摩擦情形，并刻画纳什均衡为FBSDEs的解，发现噪声交易者存在时交易成本影响被放大。
2024-05-23 q-fin.MF q-fin.TR
SHIFT: A Highly Realistic Financial Market Simulation Platform
本文提出了一种新的金融市场模拟器，可作为一种工具，在工业界和学术界的研究市场微观结构。它允许多个自动交易员和/或研究人员同时连接到一个类似交易所的环境，在那里他们能够同时异步交易多个金融资产。在当前的迭代中，这个订单驱动市场实现了美国股票市场的基本规则，支持市价单和限价订单，并以先进先出的方式执行它们。我们概述了系统架构，并提出了可能的用例。我们演示了一组自动代理是如何能够产生一个价格过程的特点类似于实际价格的统计数据从金融市场。最后，我们详细介绍了一个市场压力的情况下，我们得出，我们认为是，有趣的结论崩溃事件。
2020-08-28 q-fin.TR
FinSMART: Financial Sentiment Analysis for Algorithmic Trading through Market-Aligned Reinforcement Learning
Imperial College London（帝国理工学院）
FinSMART是首个基于市场对齐强化学习的金融情感分析框架，通过市场感知数据过滤与非对称交易奖励优化情感信号，在交易回报等指标上较基线提升220%，可自适应市场动态。
2026-07-31 cs.CL cs.LG q-fin.ST
Optimal bidding in hourly and quarter-hourly electricity price auctions: trading large volumes of power with market impact and transaction costs
University of Duisburg-Essen（杜伊斯堡-埃森大学）
本文研究了在小时和季度电力拍卖中如何通过最小化价格影响而非最大化套利来提高利润。
2022-02-09 q-fin.MF q-fin.PM q-fin.ST
Multiplicative Stochastic Model of the Time Interval between Trades in Financial Markets
金融市场中的股票价格变化是通过交易发生的，类似于随机物理系统中的扩散。对真实市场价格变化的分析表明，价格波动的长期相关性在很大程度上取决于交易数量。我们引入了交易时间间隔的乘性随机模型，分析了交易次数的谱密度和相关性。该模型再现了真实市场的频谱特性，并解释了交易活动的幂律分布机制。我们的研究提供了一个证据，金融市场的统计性质是封闭的交易之间的时间间隔的统计。乘法随机扩散可以作为这种统计的一致模型。
2002-11-15 cond-mat.stat-mech q-fin.TR
Pyramid scheme in stock market: a kind of financial market simulation
基于Agent的人工股市仿真是研究金融市场的重要手段。在假设投资者由一个主力资金、小趋势和反向投资者组成的四个参数特征的基础上，模拟研究了一种具有传销特征的金融现象。通过仿真和理论分析，揭示了主力资金收益率与趋势投资者占中小投资者的比例、中小投资者的止盈和止损参数、主力资金的订单规模以及主力资金采取的策略。我们的工作有助于解释金融市场中具有传销特征的金融现象，为监管机构设计交易规则，为投资者制定交易策略。
2021-02-16 physics.soc-ph q-fin.TR
Why Financial Markets Will Remain Marginally Inefficient?
我总结了最近关于市场效率的工作，强调了为什么金融市场永远不会有效的关键因素。我的方法不是通过增加更多的经验证据，而是给出合理的理由，说明效率低下的原因是什么，以及为什么套利是不合理的。
2001-05-18 cond-mat.dis-nn q-fin.TR
Financial instability from local market measures
我们研究出现的不稳定性的程式化模型的金融市场，当不同的市场参与者计算价格根据不同的（本地）市场措施。我们从无序系统的统计力学中借用技术，推导出大型随机市场的集合的典型性质。我们表明，根据金融工具的数量和当地措施的异质性，市场从无套利阶段移动到一个不稳定的阶段，其中市场的复杂性-金融工具的多样性-增加，套利机会出现。两个阶段之间有一个急剧的过渡。专注于两个不同类别的本地措施的灵感来自真实的市场策略，我们能够分析计算的临界线，证实我们的研究结果与数值模拟。
2012-09-01 cond-mat.stat-mech q-fin.TR
Clearing time randomization and transaction fees for auction market design
针对定期拍卖中策略性交易者利用累积信息在最后时刻到达从而扰乱市场效率的问题，提出随机化拍卖结束时间和最优设计交易费政策两种补救措施，有效鼓励交易者提前下单并提升市场效率。
2024-10-16 math.OC q-fin.TR
Order Book, Financial Markets and Self-Organized Criticality
我们提出了一个简单的订单簿机制，调节人工金融市场与自组织临界动态和厚尾的回报分布。该模型显示了个体模仿在决定交易决策中所起的作用，同时有效地复制了典型的总体市场行为作为“自我实现的预言”。我们还讨论了随机交易者作为抑制市场波动的一种可能的分散解决方案的作用。
2016-02-26 physics.soc-ph q-fin.TR
An agent-based model for designing a financial market that works well
设计一个运行良好的金融市场对于发展和维持先进经济非常重要，但并不容易，因为改变细节规则，即使是看似微不足道的规则，有时也会造成意想不到的巨大影响和副作用。使用基于代理的模型的计算机模拟可以直接处理并清楚地解释微观过程和宏观现象相互作用的复杂系统。许多有效的基于代理的模型研究人类行为已经开发出来。近来，作为用于金融市场的基于代理的模型的人工市场模型已经开始对关于实际金融市场的规则和规章的讨论做出贡献。我引入了一个人工市场模型来设计运行良好的金融市场，并描述了以前的研究调查最小价格变动单位减少。我希望，更多的人工市场模型将有助于设计出运行良好的金融市场，以进一步发展和维持发达经济体。
2019-06-14 q-fin.CP q-fin.GN q-fin.TR
A multilayer approach for price dynamics in financial markets
我们引入了一个新的自组织临界性（SOC）模型来模拟人工金融市场中的价格演化，基于多层交易者网络。该模型还实现了，在一个相当现实的方式与以前的研究，订单簿动态，通过考虑两个资产的可变基本价格。在归一化收益率的概率分布的厚尾观察，以及其他功能的真实金融市场。
2016-06-29 physics.soc-ph q-fin.TR
Microscopic Models of Financial Markets
提交给F。Schweitzer（ed.），经济动力学的微观模型，物理学讲义，施普林格，柏林-海德堡，2002.kiel.tex
2001-10-17 cond-mat.stat-mech q-fin.TR
Traders' strategy with price feedbacks in financial market
本文引入了一个考虑自调制效应的金融市场价格自回归模型。我们发现，交易者主要使用的策略与加权反馈的过去的价格。这些反馈是造成价格变化在短时间内扩散缓慢、趋势明显和幂律分布的原因。
2003-12-20 cond-mat.stat-mech q-fin.TR
The average behaviour of financial market by 2 scale homogenisation
金融市场是不可预测的，正如巴舍利耶所说，投机者的数学期望为零。然而，我们在价格波动中观察到两种不同的尺度，短期和长期。市场的长期行为，如一年的时间间隔，与短期行为是不同的。一个扩散方程与时间相关的扩散系数，描述了金融市场的波动，受到两个尺度的同质化，和长期的市场特征，如平均价格和方差的行为，得到。我们还指出，卷积的扩散方程的引入允许获得L-稳定的金融行为。
2006-08-18 physics.soc-ph q-fin.TR
Reverse Engineering Financial Markets with Majority and Minority Games using Genetic Algorithms
使用虚拟股票市场与人工互动的软件投资者，又名基于代理的模型（ABMs），我们提出了一种方法来逆向工程现实世界的金融时间序列。我们将金融市场建模为由大量相互作用的有限理性主体组成。通过优化实际数据与重建的虚拟股票市场产生的数据之间的相似性，我们得到的参数和策略，揭示了一些内部运作的目标股票市场。我们验证了我们的方法的样本外预测纳斯达克综合指数的方向移动。
2010-02-10 cs.LG cs.MA q-fin.TR
Online Trading Models with Deep Reinforcement Learning in the Forex Market Considering Transaction Costs
Tokyo Institute of Technology（东京工业大学）
近年来，使用人工智能创建了各种投资模型。人工智能自动交易可以扩大交易方式的范围，例如通过赋予24小时运营的能力和高频率交易的能力。如果能够充分考虑过去的数据，自动交易也可以预期使用比人类可用的更多的信息进行交易。在本文中，我们提出了一种基于深度强化学习模型的投资代理，这是一种人工智能模型。该模型考虑了实际交易中涉及的交易成本，并为长期交易建立了一个框架，以便在单笔交易中获得大量利润。这样做，它可以在保持低交易成本的同时实现利润最大化。此外，考虑到实际操作，我们使用在线学习，使系统可以通过不断更新最新的在线数据来持续学习，而不是使用静态数据进行学习。这使得在非平稳的金融市场中进行交易成为可能，因为它总是包含当前的市场趋势信息。
2021-12-16 cs.AI cs.LG q-fin.TR
