Price manipulation in a market impact model with dark pool
对于市场冲击模型,价格操纵和相关概念所起的作用类似于衍生品定价模型中的套利作用。在这里,我们给这样的规律性问题进行了系统的调查时,订单可以在传统的交易所和暗池中执行。为此,我们专注于一类暗池模型,其市场冲击在交易所的Almgren-Chriss模型描述。所有Almgren-Chriss模型不存在价格操纵的条件包括不存在临时跨场地影响,存在完全永久的跨场地影响,以及对暗池中执行的订单的额外惩罚。当一个特定的Almgren-克里斯模型已被固定,我们表明了一些例子,暗池模型的规律性铰链在一个微妙的方式上的相互作用的所有模型参数和清算时间的限制。本文也可以看作是一般市场冲击模型规律性的一个案例研究。
2014-05-07 q-fin.TR
Robust Strategies for Optimal Order Execution in the Almgren-Chriss Framework
假设几何布朗运动是不受影响的价格过程$S^0$,Gatheral & Schied(2011)推导出了一种最优订单执行策略,该策略对市场变化做出了合理的反应,但仍然可以以封闭形式计算。在这里,我们将调查这个策略的鲁棒性方面的错误指定的法律$S^0$。我们证明了令人惊讶的结果,该战略仍然是最佳的,只要$S^0$是平方可积鞅。然后我们分析了Gatheral & Schied(2011)在$S^0$是任意平方可积半鞅的情况下的优化准则,并给出了该问题的封闭解.作为推论,当不受影响的价格过程是平方可积半鞅时,我们找到了期望清算成本最小化问题的显式解。我们的问题的解决方案是通过随机求解有限燃料控制问题,而无需假设马尔可夫性。
2013-05-19 math.OC math.PR q-fin.TR
Optimal liquidation under stochastic price impact
我们假设一个连续时间的价格影响模型类似于Almante-Chriss,但增加的假设,价格影响参数是随机过程建模为相关的标量马尔可夫扩散。在这种情况下,我们为希望清算库存但因交易而面临价格影响的交易者制定交易策略。对于一个固定的交易期限,我们执行系数扩展的哈密顿-雅可比-贝尔曼方程与交易者的价值函数。系数展开产生一系列的偏微分方程,我们解决了封闭形式的近似值函数和最佳的清算策略。我们研究了最优清算问题的一些特殊情况,并给出了这些情况下近似清算策略的财务解释。最后,我们提供了数值例子来证明近似的有效性。
2018-04-11 q-fin.TR
Optimal Trading with General Signals and Liquidation in Target Zone Models
我们研究了最优交易的Almante-Chriss模型与运行和终端库存成本和一般预测信号的价格变化。作为一个特殊的情况下,这允许在“目标区域模型”中处理最优清算:资产价格与监管干预所强制执行的反映边界。在这种情况下,最优变现率是回望期权的“theta”,从而得到巴舍利耶或布莱克-斯科尔斯动态的显式公式。
2018-08-01 q-fin.PM q-fin.TR
High-Resilience Limits of Block-Shaped Order Books
我们发现,在块形订单簿模型的Obizhaeva/王收敛到他们的同行在Almgren/Chriss提出的简化形式的模型,作为弹性的订单簿趋于无穷大的财富过程。作为这个极限定理的应用,我们解释了如何减少高弹性Obizhaeva/Wang模型中的投资组合选择的相应问题,在Almgren/Chriss设置小的二次交易成本。
2014-09-25 math.OC math.PR q-fin.PM
Optimal Liquidation Problems in a Randomly-Terminated Horizon
本文研究了随机终止时间域中的最优清算问题。我们考虑一个大型单一资产组合的清算,目的是最小化波动风险和由永久和暂时的市场冲击产生的交易成本的组合。在Almart-Chriss的市场冲击模型下分析了三种不同的情景,探讨了最优清算策略与清算期不确定性所引起的潜在库存风险之间的关系。对于没有封闭形式的解决方案的情况下,可以得到,我们验证粘度解决方案的比较原则和特征值函数作为唯一的粘度解决方案相关联的Hamilton-Jacobi-Bellman(HJB)方程。
2017-09-18 math.AP q-fin.TR
A state-constrained differential game arising in optimal portfolio liquidation
我们认为$n$风险厌恶代理人谁竞争流动性的Almgren-克里斯市场影响模型。在数学上,这种情况可以用一个带有状态约束的线性二次微分对策的纳什均衡来描述。状态约束作为有限和无限时间范围的终端边界条件进入问题。我们证明了纳什均衡的存在唯一性,并在某些特殊情况下给出了封闭形式的解。我们还分析了均衡策略的定性性质,并提供了相应的金融解释。
2015-07-07 math.OC 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
Optimal Portfolio Liquidation with Limit Orders
Université Paris-Diderot(巴黎第七大学);Crédit Agricole Cheuvreux(法国农业信贷银行谢沃);Université Pierre et Marie Curie(皮埃尔和玛丽·居里大学)
本文通过将最优交易计划与限价单价格关联,同时解决投资组合清算中的交易调度和订单执行问题,并利用泊松过程和HJB方程建模,通过回测验证了方法的有效性。
2012-07-19 cs.SY eess.SY math.OC
Beyond Supra-Competitive Outcomes: Collusive Behaviour in Deep Reinforcement Learning for Optimal Execution Games
University College London(伦敦大学学院);UZH Blockchain Center(苏黎世大学区块链中心)
本文在最优执行博弈中识别出深度强化学习智能体习得的惩罚机制,该机制通过加速清算惩罚偏离者,为超竞争结果提供了合谋的行为与经济证据。
2026-10-02 cs.AI q-fin.TR
Optimal execution with deterministically time varying liquidity: well posedness and price manipulation
Scuola Normale Superiore(高等师范学院);University of Bologna(博洛尼亚大学);Imperial College London(帝国理工学院)
本文研究了在Almgren-Chriss框架下,确定性时间变化流动性下的最优执行问题,探讨了Hadamard意义下的well posedness和价格操纵的避免条件,通过数值分析验证了结果。
2026-03-19 math.OC q-fin.TR
Leveraging IS and TC: Optimal order execution subject to reference strategies
本文在 Almgren-Chriss 模型下研究服从客户参考策略的元订单执行问题,通过效用最大化获得最优策略的闭式解,并利用 IS 和 TC 订单建立交易轨迹的仿射结构与近似定理。
2025-03-04 q-fin.TR
Risk-Sensitive Optimal Execution via a Conditional Value-at-Risk Objective
考虑一个清算问题,在这个问题中,一个风险厌恶的交易者试图在存在市场冲击和随机价格波动的情况下清算固定数量的资产。交易者需要在市场冲击所产生的交易成本和持有头寸的波动风险之间进行权衡。我们的公式开始于Almgren和Chriss(2000)的开创性模型的连续时间和无限水平变化,但我们将执行不足的条件风险价值(CVaR)定义为目标,并允许动态(自适应)交易策略。在这种情况下,我们能够推导出最优清算策略及其价值函数的封闭式表达式。我们的研究结果产生了一些重要的实际见解。我们能够量化自适应策略相对于优化静态策略的优势。相关的改进仅取决于风险厌恶的水平:对于中等水平的风险厌恶,最优动态策略优于最优静态策略5- 15%,优于最优成交量加权价(VWAP)策略15- 25%。这种改善是通过表现出“货币侵略性”的动态政策实现的:当价格走势有利时,交易加速,当价格走势不利时,交易放缓。从数学的角度来看,我们的分析利用CVaR的对偶表示转换的问题,连续时间,零和游戏。利用状态空间增广的思想,得到了描述最优值函数的偏微分方程,该方程是可分的,是Emden-Fowler方程的一个特例.这导致了一个封闭形式的解决方案。由于我们的问题是一个特殊情况下的线性二次高斯控制问题的CVaR目标,这些结果可能是有趣的,在更广泛的设置。
2022-01-28 math.OC q-fin.TR
Optimal starting times, stopping times and risk measures for algorithmic trading: Target Close and Implementation Shortfall
我们推导出明确的递归公式的目标关闭(TC)和实现不足(IS)的Almanda-Chriss框架。我们解释了如何计算最佳的开始和停时分别为IS和TC,给定的最小交易规模。我们还展示了如何为TC和IS添加最低参与率约束(体积百分比,PVol)。我们还研究了另一套风险措施的优化算法交易曲线。我们假设一个自相似过程(如Levy过程、分数布朗运动或分形过程),并定义了一个新的风险度量--p-变差,当过程是布朗运动时,该变差约化为方差.在自相似过程下,我们推导出TC和IS算法的显式公式。我们证明了自相似模型和称为p-变异的风险度量家族之间存在等效性:假设自相似过程并经验地校准p-变异的参数p会产生与假设布朗运动相同的结果。使用p-变异作为风险度量而不是方差。我们还表明,p可以被看作是一个衡量的侵略性:p增加,当且仅当TC算法启动较晚,执行速度更快。最后,我们展示了如何p-变异的参数p可以从TC的最佳开始时间,并在此框架下,p可以被看作是一个衡量的联合影响的市场冲击(即流动性)和波动性。
2013-12-16 q-fin.TR
Deviations from the Nash equilibrium in a two-player optimal execution game with reinforcement learning
Scuola Normale Superiore, Pisa, Italy(意大利比萨高等师范学院);Dipartimento di Matematica University of Bologna, Bologna, Italy(博洛尼亚大学数学系)
本研究利用双重深度Q学习分析双人最优执行博弈,发现学习策略偏离纳什均衡并接近帕累托最优,探讨波动率对均衡的影响。
2026-02-13 econ.GN q-fin.CP q-fin.EC
Residual U-net with Self-Attention to Solve Multi-Agent Time-Consistent Optimal Trade Execution
本文提出带自注意力的残差U-net求解多智能体多资产的时间一致均值方差最优交易执行问题,克服有限差分局限,并分析价格冲击与不同经济条件下的最优策略。
2024-03-19 q-fin.CP q-fin.TR
Incorporating Signals into Optimal Trading
最优交易是最近的研究领域,由Almgren,Chriss,Bertsimas和Lo在90年代后期发起。其主要应用是分割大宗交易订单,以最大限度地降低交易成本和流动性冲击对价格动态的潜在扰动。最初的优化框架是基于平均方差最小化的交易成本。在过去15年中,开发了更精细的价格动态模型、更现实的控制变量和不同的成本函数。在最优交易中包含信号(即价格动态的短期预测)是最近的发展,也是这项工作的主题。我们将马尔可夫信号的最优交易框架,这是最初提出的Gatheral,Schied和Slynko [21],并提供最优交易策略的存在性和唯一性的结果。此外,我们推导出一个显式的奇异最优策略的特殊情况下的Ornstein-Uhlenbeck信号和指数衰减的瞬态市场冲击。均值回复信号与市场冲击衰减的组合是特别有趣的,因为它们以相反的方向影响短期价格变化。随后,我们证明了在渐近极限是瞬时的市场冲击成为瞬时的,最优策略成为连续的。这一结果与Cartea和Jaimungal [10]提出的最优交易框架是一致的。为了支持我们的模型,我们分析了纳斯达克OMX交易所13只欧洲股票9个月的逐点数据。我们发现,订单的不平衡是未来价格走势的预测,它有一些均值回复属性。从这些数据中,我们发现市场参与者,特别是高频交易者,在他们的交易策略中使用这个信号。
2018-06-04 q-fin.MF q-fin.TR
FlowOE: Imitation Learning with Flow Policy from Ensemble RL Experts for Optimal Execution under Heston Volatility and Concave Market Impacts
Stevens Institute of Technology(史蒂文斯理工学院)
本文提出FlowOE,一种基于流匹配的模仿学习框架,从集成专家策略中学习并自适应选择最优执行行为,通过精炼损失函数超越专家表现,在赫斯顿波动率与凹市场冲击下显著优于传统基准。
2025-06-06 cs.AI cs.CE cs.LG