Modeling Loss-Versus-Rebalancing in Automated Market Makers via Continuous-Installment Options
本文通过将AMM头寸建模为永续美式连续分期期权组合，证明LVR等于期权theta，并推导出近似恒定LVR的delta曲线与边界，为流动性提供者提供优化框架。
2025-08-05 q-fin.MF q-fin.PR q-fin.TR
Agent-Based Stock Market Model with Endogenous Agents' Impact
Giulia Iori提出的金融市场的基于三态代理的二维模型通过引入对正确预测代理的信任增加、更现实的协商过程以及正式的验证机制而得到扩展。本文表明，这样一个模型正确地再现了三个基本的程式化事实：厚尾日志收益，幂律波动自相关衰减的时间和波动率聚集。
2013-12-16 q-fin.TR
Adaptive Agents and Data Quality in Agent-Based Financial Markets
本文提出基于智能体的市场微观结构仿真（ABMMS），通过引入碎片化市场结构、传播延迟、现实拍卖机制及元强化学习自适应智能体，显著提升了生成数据对真实市场典型事实的复现能力与政策指导效用。
2023-11-27 q-fin.TR
Multi-Agent Reinforcement Learning in a Realistic Limit Order Book Market Simulation
最佳订单执行被行业从业者和学术研究人员广泛研究，因为它决定了投资决策和高级交易策略的盈利能力，特别是涉及大量订单的交易策略。然而，复杂和未知的市场动态对最优执行策略的开发和验证提出了重大挑战。在本文中，我们提出了一种无模型的方法，通过训练强化学习（RL）代理在一个现实的市场模拟环境中有多个代理。首先，我们配置一个多代理历史订单簿模拟环境，用于执行基于代理的交互式离散事件模拟（ABIDES）的任务[arXiv：1904.12066]。其次，我们制定了最优执行的RL设置，智能代理可以在高频交易（HFT）的市场微观结构的交易信号的基础上，订单执行和配售决策的问题。第三，我们开发和训练一个RL执行代理使用双深度Q学习（DDQL）算法在ABIDES环境。在某些情况下，我们的RL代理收敛到时间-加权价（TWAP）策略。最后，我们评估模拟与我们的RL代理比较，它与市场重放模拟使用真实的市场限价订单簿（LOB）数据。
2020-09-11 q-fin.TR
Behind the price: on the role of agent's reflexivity in financial market microstructure
在这一章中，我们回顾了金融市场价格形成动力学及其与有效市场假说的关系的一些最新结果。具体来说，我们提出了限价订单簿机制的市场，我们引入的概念，市场冲击和订单流，介绍他们最近发现的经验性质和讨论一些可能的解释代理人的策略。我们的分析证实，数据的定量分析是至关重要的，以验证定性假设的投资者的行为在监管环境下的订单配售，并连接这些微观结构的行为，作为一个整体的系统的集体动力学的属性，如市场有效性。最后，我们讨论了一些所描述的属性和反身性理论之间的关系，提出在价格形成的过程中，代理人的认知和操纵功能之间存在正反馈和负反馈回路。
2017-08-08 q-fin.TR
Instabilities in Multi-Asset and Multi-Agent Market Impact Games
我们考虑的一般问题，一组代理商交易的资产组合中存在的瞬态价格的影响和额外的二次交易成本，我们研究，与分析和数值方法，由此产生的纳什均衡。显著扩展了Schied & Zhang（2019）和Luo & Schied（2020）的框架，他们考虑了单一资产的情况，我们证明了相关均值方差优化问题相应的纳什均衡的存在性和唯一性。然后，我们将注意力集中在模型参数上的条件，使代理人的交易概况处于平衡状态，因此价格轨迹，剧烈振荡和市场不稳定。虽然Schied & Zhang（2019）和Luo & Schied（2020）强调了交易成本的价值在确定稳定阶段和不稳定阶段之间过渡的重要性，但我们也证明了市场冲击与代理人J和资产M数量的比例关系决定了市场的渐近稳定性（在J和M中）。
2021-11-27 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
An agent-based computational model for China's stock market and stock index futures market
本文提出了一个基于智能体的计算跨市场模型，该模型包含股票和沪深300指数期货。在这个模型中，我们设计了几只股票和一个指数期货来模拟这种结构。该模型允许异质投资者在财富、市场交易机制和风险管理等限制下做出投资决策。投资者的需求和订单提交是内生决定的。我们的模型成功地再现了中国金融市场的几个关键特征，包括现货-期货基差分布、买卖价差分布、波动率聚集和绝对收益率的长记忆性。该模型可用于跨市场风险控制、市场机制设计和套利策略分析。
2014-03-25 q-fin.ST q-fin.TR
Unstable Price Dynamics as a Result of Information Absorption in Speculative Markets
在投机市场中，无风险的盈利机会被交易者利用。因此，市场通常被描述为“信息效率高”，迅速消除可预测的价格变化，只留下剩余的不可预测的波动。这种市场吸收信息并以其他方式接近均衡运行的经典观点受到极端价格波动的挑战，特别是因为它们发生的频率远远高于外部消息。在这里，我们表明，主要吸收自我生成的信息的投机市场可以表现出两个：向有效的均衡状态，以及随后的不稳定的演变。这种特殊的动态，一个通用的不稳定性所产生的自适应控制，消灭可预测的信息，是实现在一个最小的基于代理的市场模型，代理的策略的影响，根据他们的交易成功。这种适应为整个市场实现了一个学习规则，使可预测的价格变化最小化。该模型再现程式化的统计特性的价格变化的定量细节，包括重尾对数收益率分布和波动集群。我们的研究结果表明，市场不稳定性的永久发生可能是导致市场有效性的机制的直接后果。
2012-12-10 nlin.AO physics.soc-ph q-fin.TR
Designing agent-based market models
鉴于对基于代理的市场模型越来越感兴趣，我们将几个早期的作品放在一起，其中我们考虑了自洽市场建模的主题。基于Challet和Zhang的二元博弈结构，我们讨论了策略奖励方案的推广，使得代理人以更直接的方式寻求财富最大化。然后，我们研究了一个令人不安的功能，这种奖励计划，而出现微观上可以接受的，导致不切实际的市场动态（如不稳定性）。最后，我们讨论了在现实中负责重新稳定市场的各种机制。我们认为，通过这种讨论，可以形成一个进程“工具箱”，今后可以据此建立成功的市场模式。
2002-07-22 cond-mat.dis-nn q-fin.TR
Explaining Agent-Based Financial Market Simulation
本文的目的是解释，在简单的条款，一些常见的机制和代理多智能体金融市场模拟。我们首先讨论了每种资产包含外生价格时间序列（“基本价值”）的必要性，以及生成该序列的三种方法。然后，我们说明了一个过程，贝叶斯代理可能会收到有限的基本系列的意见，并估计其当前和未来的价值。最后，我们提出了两个这样的代理在文献中广泛研究，零智能代理和启发式信念学习代理，实现不同的方法，以放置订单。
2019-09-25 cs.MA q-fin.TR
Traders in a Strange Land: Agent-based discrete-event market simulation of the Figgie card game
Figgie是一种纸牌游戏，近似于公开喊价的商品交易。我们为Figgie设计策略，并研究它们的表现和由此产生的市场行为。要做到这一点，我们开发了一个灵活的基于代理的离散事件市场模拟，在我们的策略下，代理商可以发挥Figgie。我们的模拟建立在以前的工作，通过模拟代理商和市场之间的一种新颖而有效的方式。我们开发的基本面策略利用了菲吉独特的资产价值概念，平均而言，在所有测试的代理策略组合中，利润最大化策略。我们开发了一种策略，即“底层供给者”，它通过观察其他代理人发出的订单来估计价值，并发现它限制了原教旨主义者的成功。我们还发现，图表策略的实施，包括一个从文献中，失败的小Figgie市场进入反馈回路。我们进一步发展了一种统计比较零和博弈策略的自举方法。我们的研究结果表明，基于代理的离散事件模拟在研究市场的广泛适用性。
2021-10-02 cs.GT q-fin.TR
Reinforcement Learning for Market Making in a Multi-agent Dealer Market
JPMorgan AI Research（摩根大通人工智能研究院）；JPMorgan Quantitative Research（摩根大通量化研究部）
做市商通过不断提供他们愿意买卖的价格和管理库存风险，在为市场提供流动性方面发挥着重要作用。在本文中，我们建立了一个经销商市场的多智能体模拟，并证明它可以用来理解基于强化学习（RL）的做市商代理的行为。我们使用模拟器训练一个基于RL的做市商代理不同的竞争场景，奖励配方和市场价格趋势（漂移）。我们表明，强化学习代理能够了解其竞争对手的定价政策;它还学会通过巧妙地选择买卖双方的不对称价格（偏斜）来管理库存，并根据市场价格漂移是否为正（或负）来维持正（或负）库存。最后，我们提出并测试奖励配方创建风险厌恶RL为基础的做市商代理。
2019-11-14 cs.LG cs.MA q-fin.TR
Econophysics of adaptive power markets: When a market does not dampen fluctuations but amplifies them
平均经济主体经常被用来模拟简单市场的动态，基于这样的假设，即许多主体的动态可以在时间和空间上平均。基于这个看似直观的概念的流行想法是通过市场机制抑制波动源（例如风能或太阳能）的电力波动，即通过使需求适应供应的可变电力价格。平均经济主体的标准模型预测，波动会因这种适应性价格形成机制而减少。然而，所有代理人的行为在时间轴上平均的基本假设在许多代理人的市场中并不总是正确的。我们数值研究的经济物理代理模型的自适应电力市场，不假设平均先验。我们发现，当代理商暴露于源噪声通过相关的价格波动（自适应定价方案建议），市场可能会放大这些波动。特别是，小的价格变化可能会通过灾难性的消费者同步转化为大的负载波动。因此，自适应电力市场可能会导致与预期相反的效果：电力波动不会被抑制，而是被放大。
2013-03-08 physics.soc-ph 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
Characteristic time scales of tick quotes on foreign currency markets: an empirical study and agent-based model
功率谱密度的报价每分钟（市场活动）在三个货币市场（美元/日元，欧元/美元，日元/欧元）的时间从1999年1月至2000年12月进行了分析。我们在几分钟内发现功率谱密度上的一些峰值。我们建立了双阈值代理模型，并证实了该模型的市场活动发生随机共振。我们提出了一个假设，发现功率谱密度的周期性可以观察到由于随机共振。
2006-06-09 physics.data-an q-fin.TR
Sequential Detection of Market shocks using Risk-averse Agent Based Models
本文考虑了一个统计信号处理问题，涉及基于代理的金融市场模型，在微观层面上是由社会意识和风险厌恶的交易代理。这些代理人通过利用关于先前代理人的决策的信息（社会学习）来交易（购买或出售）股票，除了他们收到的关于股票价值的私人（噪声）信号之外，还通过订单簿。我们感兴趣的是：（1）模拟这些风险厌恶代理的动态，（2）基于这些代理的行为的市场冲击的顺序检测。结构性的结果，表征社会学习的风险度量，CVaR（条件风险值），提出和制定贝叶斯变点检测问题。结构性结果表现出两个有趣的性质：（i）风险厌恶的代理人羊群往往比风险中性代理人（ii）在顺序检测问题的停止集是非凸的。该框架是验证数据从雅虎！Tech Buzz游戏数据集。
2015-11-06 math.OC q-fin.TR
Individual impact of agent actions in financial markets
我们提出了一个分析的价格影响与不同的金融公司进行的交易。从西班牙股票市场的数据，我们发现在不同的市场成员之间的高度异质性，无论是在瞬时的影响函数和时间依赖的市场反应的交易由个别成员。这种异质性在统计学上与市场普遍影响动态的存在不相容，这种普遍影响动态统一适用于所有交易，并表明市场动态来自市场参与者不同行为的复杂相互作用。几个可能的原因进行了讨论，随着潜在的扩展，人们可以考虑增加现有的市场冲击模型的适用范围。
2011-09-01 physics.soc-ph q-fin.TR
Reinforcement Learning in Agent-Based Market Simulation: Unveiling Realistic Stylized Facts and Behavior
Stevens Institute of Technology（史蒂文斯理工学院）
本文提出基于强化学习智能体的市场模拟框架，验证其能复现真实市场典型事实，并分析智能体在闪崩等外部冲击下的响应行为，为投资者和监管者提供决策预判工具。
2024-03-28 cs.LG cs.MA q-fin.TR
Modelling and Measuring the Irrational behaviour of Agents in Financial Markets: Discovering the Psychological Soliton
几何布朗运动扩展到一个非理性分数布朗运动模型，我们重新审视代理人的行为反应时间依赖的消息的日志回报，从而修改金融市场的演变。我们特别讨论了金融新闻或经济信息的作用，这种非理性（或反向）代理人的积极或消极的反馈价格演变。我们观察到一个扭结状效应，让人想起孤立子行为，这表明分析师的预测误差如何诱导股价相应调整，从而提出了一个衡量市场中的非理性力量。
2016-01-07 q-fin.MF q-fin.TR
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
Intermittent chaos in a model of financial markets with heterogeneous agents
在本文中，我们研究了一个简单的模型，金融市场的异质代理的价格动态。我们集中讨论活跃交易者总数的增加如何影响资产价格的波动。我们发现，当[活跃交易者]的总数增加时，会观察到一条通往混乱的奇怪路线。特别是，我们发现，{ \it间歇性混沌} [1]的价格波动的交易者的总数增加。
2003-12-25 nlin.CD q-fin.TR
Can Agent-Based Models Probe Market Microstructure?
我们扩展先前的证据表明，天真地使用日内代理为基础的模型，涉及现实的订单匹配过程建模连续时间双向拍卖市场似乎无法提供一个强大的数据和许多模型参数之间的联系，即使这些模型能够重现一些著名的程式化的事实回报时间序列。我们证明，虽然植根于市场微观结构的日内代理模型的参数可以有意义地校准，那些专门与代理行为和激励仍然存在问题。这可能只是一个失败的校准技术，但我们认为，所观察到的参数退化是最有可能的结果，在这些模型中采用的现实匹配过程。这表明，其他方法来连接数据，现象学和市场结构可能是必要的，这是可以想象的，一个可以构建一个有用的模型，不直接依赖于代理行为的细微差别，即使它是已知的，真正的代理人从事复杂的行为。
2017-08-31 q-fin.CP q-fin.TR
Analysis of the impact of maker-taker fees on the stock market using agent-based simulation
最近，美国的大多数证券交易所都采用了庄家-接盘者收费，即交易所向在订单簿中下订单的交易员支付回扣，并向从订单簿中接受订单的交易员收取费用。做市商-接受者费用鼓励交易者下许多订单，为交易所提供市场流动性。然而，目前尚不清楚做市商-接盘商费用如何影响一笔接单的总成本，包括所有收取的费用和市场冲击。在这项研究中，我们调查了制造商-接受者费用的总成本采取的订单与我们的人工市场模型，这是一个代理人为基础的模型金融市场。我们发现，制造商-接受者费用鼓励市场有效性，但增加了接受订单的总成本。
2020-10-18 cs.MA q-fin.TR
Machine Spirits: Speculation and Adaptation of LLM Agents in Asset Markets
University College London（伦敦大学学院）；University of Turin（都灵大学）；Bank of Canada（加拿大银行）；University of Amsterdam（阿姆斯特丹大学）；London School of Economics and Political Science（伦敦政治经济学院）；Complexity Science Hub（复杂科学中心）；Bennett Institute for Public Policy, University of Cambridge（剑桥大学贝内特公共政策研究所）；UCL Centre for Artificial Intelligence, University College London（伦敦大学学院人工智能中心）
本文研究了LLM在资产市场中的行为，发现其表现出从稳定基本面到人类投机泡沫的多样化行为，且与理性预期假说不一致，同时指出异质性智能体的适应性可能加剧市场波动。
2026-04-29 cs.CE q-fin.TR
Fundamental market design as a layer of AI-agent alignment
Gran Sasso Science Institute（格兰萨索科学研究所）；Institute for Artificial Intelligence of Serbia（塞尔维亚人工智能研究所）
研究探讨市场中人工智能-智能体对齐，提出将基础市场设计视为该对齐层次，通过对市场核心形式化建模，利用理论计算机科学严谨性构建透明盒模型，支持激励分析与机制设计，使期望行为受青睐，不良行为难维持。
2026-07-14 cs.GT q-fin.TR
Learning who is in the market from time series: market participant discovery through adversarial calibration of multi-agent simulators
JP Morgan（摩根大通）；JP Morgan AI Research（摩根大通人工智能研究院）
在电子交易市场中，通常只有价格或交易量的时间序列，这是由多个市场参与者的相互作用产生的，是直接可观察的。为了在将交易策略部署到实时交易之前对其进行测试，经常使用校准的多代理市场环境，以便模拟代理相互作用产生的时间序列类似于历史。为了确保充分的测试，必须在各种市场情景中测试交易策略-其中包括代表普通市场日以及压力市场的情景（最近由于COVID大流行的开始而观察到）。在本文中，我们解决的问题，多代理模拟器参数校准，让模拟器捕捉不同的市场制度的特点。我们提出了一种新的两步方法训练一个能够区分“真实”和“虚假”的价格和数量的时间序列作为GAN的一部分，自我关注，然后利用它的优化框架内调整参数的模拟器模型与已知的代理原型，以代表市场的情况。我们的结论与实验结果表明，我们的方法的有效性。
2021-08-02 cs.LG cs.MA 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
Optimizing Market Making using Multi-Agent Reinforcement Learning
本文将强化学习应用于做市优化问题。一个多智能体强化学习框架被用来最佳地放置限价订单，导致成功的交易。该框架由两个代理组成。宏观主体优化购买、出售或持有资产的决策。微代理优化在限价订单簿内下限价订单。在本文的背景下，所提出的框架在比特币加密货币市场上应用和研究。本文的目的是表明强化学习是一种可行的策略，可以应用于复杂的问题（复杂的环境），如做市。
2018-12-26 cs.LG q-fin.TR stat.ML
An interacting-agent model of financial markets from the viewpoint of nonextensive statistical mechanics
在本文中，我们提出了一个股票市场的互动代理模型。我们通过类伊辛模型来描述股票市场，以表达交易者受到其他交易者投资态度影响的趋势[1]，并将交易者的投资决策表达为非广延熵的最大熵原理。我们证明了交易者投资态度的均衡概率分布函数是{ \it q指数分布}。我们还表明，幂律分布的价格波动的波动性，这是经常在实证研究中证明，可以解释自然，我们的模型是基于许多相互作用的代理人的集体群体行为。
2006-04-04 physics.soc-ph q-fin.TR
Stock Price Fluctuations in an Agent-Based Model with Market Liquidity
研究了一个基于Agent的具有摩擦和异质Agent的股票市场模型。我们的模型是基于Foellmer-Schweizer（1993）的模型：离散时间框架中的股票价格过程由代理人的超额需求函数的临时平衡决定，并应用扩散近似方法将连续时间极限（随着交易间隔缩短）表征为相应的随机微分方程（ESDs）的解。在本文中，我们进一步假设，一些代理人的约束，无论是卖空约束或预算约束。然后，我们证明了股票价格的连续时间过程可以从一个斜反射的时间序列导出。此外，我们发现，卖空（分别，预算）约束导致的过度定价（分别，抑价）。
2013-01-28 math.PR q-fin.TR
Stock market microstructure inference via multi-agent reinforcement learning
量化金融有着悠久的传统，即通过多智能体系统（MAS）对复杂系统进行自下而上的推理。这些统计工具基于通过集中式订单簿对代理交易进行建模，以模拟复杂多样的市场现象。这些过去的金融模型都依赖于所谓的零智能代理，因此代理信息和学习的关键问题，价格形成的核心，因此所有的市场活动，不能得到适当的评估。为了解决这个问题，我们设计了下一代MAS股票市场模拟器，其中每个代理通过无模型强化学习学习自主交易。我们校准模型，以真实的市场数据从伦敦证券交易所多年来$2007$到$2018$，并表明它可以忠实地再现关键的市场微观结构指标，如各种价格自相关标量在多个时间间隔。因此，智能体学习使得微观结构的模型仿真具有更大的真实性。
2019-10-17 q-fin.CP q-fin.PR q-fin.TR
Market Impact in Trader-Agents: Adding Multi-Level Order-Flow Imbalance-Sensitivity to Automated Trading Systems
由人类交易员组成的金融市场通常表现出“市场冲击“，其中在任何交易发生之前，交易员的报价价格沿着预期变化的方向移动，作为对大规模（即，“阻止”）市场中的买入或卖出订单：例如，市场上的交易者知道大宗买入指令会推高价格，因此他们立即向上调整报价。大多数主要的金融市场现在都涉及许多“机器人交易员”，自主自适应软件代理，而不是人类。本文探讨了如何给这样的交易代理一个可靠的预期灵敏度，以块订单，这样完全由机器人交易员填充的市场也显示出市场影响效应。在2019年的一份出版物中，Church & Cliff展示了一个简单的确定性机器人交易员ISHV的初步结果，该交易员通过监测市场供需失衡的指标来展示这种市场冲击效应。我们的论文的新贡献是：（a）我们批评了Church & Cliff使用的方法，揭示了它们的弱点，并认为需要一个更强大的不平衡度量;（b）我们主张使用多层次订单流不平衡（MLOFI：Xu et al.，2019）作为对不平衡敏感的机器人交易员代理的更好基础;（c）我们展示了在扩展ISHV时使用更强大的MLOFI度量，以及众所周知的AA和ZIP交易代理算法（这两种算法之前都被证明一直优于人类交易员）。我们证明，新的不平衡敏感的交易代理人在这里介绍的表现出市场冲击的影响，因此更适合在市场中的影响是一个因素的关注或兴趣，但不遭受的弱点，所使用的方法由教会和克利夫。我们在这里报告的工作的源代码可…
2020-12-23 cs.CE q-fin.TR
Dynamic Pricing in Securities Lending Market: Application in Revenue Optimization for an Agent Lender Portfolio
J.P. Morgan Quantitative Research（摩根大通量化研究部门）
针对证券借贷市场传统定价方法难扩展、适应性差的问题，提出将电商动态定价的上下文老虎机框架应用于该市场，经真实历史数据离线验证，总收益比典型方法至少提升15%。
2024-10-07 cs.LG q-fin.TR
The value of information in financial markets: An agent-based simulation
我们目前的结果模拟的股票市场异质性，累积信息设置。我们发现交易者的收益作为其信息水平的函数的非单调行为。特别是，平均知情的代理人表现不佳的随机交易者;只有最知情的代理人能够击败市场。我们还研究了策略更新机制的影响，当交易者有可能使用其他信息而不是基本价值。这些结果证实了后者：只有最知情的球员，它是值得保持原教旨主义。模拟再现了一些程式化的事实，由滴答股票交易所数据和全球显示信息效率。
2007-12-17 physics.soc-ph q-fin.TR
Agentic Limit Order Books: Phase Transitions and Market Impact
本研究通过强化学习智能体构建限价订单簿模型，揭示订单流相变临界点及市场冲击对经典平方根规律的偏离，提出耗散、平衡与非耗散三种新制度。
2026-09-28 cs.AI q-fin.CP q-fin.TR
Chaos and Unraveling in Matching Markets
我们研究了信息扰动如何破坏双边匹配市场的稳定。在我们的模型中，代理商在两个时期内到达市场，而第一时期的代理商不知道后来到达的代理商的类型。已经在市场上的代理商可能会提前匹配或等待一小群新进入者。尽管缺乏折扣或风险规避，这种扰动创造了激励，以尽早匹配，并在新的代理人到达之前离开市场。这些激励措施不会随着市场的扩大而消失。此外，我们确定了一个新的不利现象，在这种情况下：随着市场得到大的概率\emph{chaos} -其中没有早期匹配计划现有代理是强大的成对偏差-方法1。这些结果与代理人类型的分布无关，并且对市场双方之间的不对称性具有鲁棒性。因此，我们的研究结果表明，匹配市场是非常敏感的制度细节和不确定性。
2010-09-03 cs.GT math.PR q-fin.TR
Many learning agents interacting with an agent-based market model
University of Cape Town（开普敦大学）
本研究构建含3类市场参与者的ABM，探究多强化学习最优执行智能体对市场动态的影响，发现其能让模型程式化事实更贴合实证数据，但不足以复现实证复杂度。
2024-08-14 cs.LG q-fin.ST q-fin.TR
Adaptive Multi-Strategy Market-Making Agent For Volatile Markets
加密货币市场的不确定性促使人们需要找到适应性的解决方案，以最大限度地提高收益，或者至少避免在整个交易活动期间的损失。鉴于该领域中状态-动作空间的高维性和复杂性，可以将其视为目标和环境范围与金融市场绑定的“狭义AGI”问题。自适应多策略代理方法做市引入了一种新的解决方案，以最大限度地提高积极的“阿尔法”在长期处理限价订单簿（LOB）的立场，通过使用多个子代理实现不同的战略与这些代理的动态选择的基础上不断变化的市场条件。AMSA本身并无提供特定策略，但负责将做市活动期间划分为较小的执行子期间、对各子期间的历史数据进行内部回溯测试、进行子代理表现评估并于各子期间结束时重新选择子代理，以及逐步收集回报及亏损。通过这种方法，回报率成为超参数的函数，如市场数据粒度（刷新率），执行子周期持续时间，活动子代理的数量及其各自的策略。下一个交易子周期的子代理选择是基于内部回测和真实交易期间获得的回报/损失和阿尔法值。在不同的市场条件下，根据历史数据进行了AMSA实验，并证明在适当选择超参数的情况下，在整个交易活动期间，正alpha的概率很高。
2022-04-28 cs.CE cs.MA q-fin.TR
Artificial market model based on deterministic agents and derivation of limit of GARCH type process
我们提出了一个人工市场模型的基础上确定性代理。代理商根据过去的价格变化修改他们的要价/出价。市场价格波动的时间发展是数值计算的。市场价格变化的概率密度函数具有幂律尾部。自相关系数的变化具有反相关性，自相关系数的平方变化（波动率关联函数）具有长时间相关性。连续交易间隔的概率密度函数服从几何分布。在极限情形下，从理论上推导出了该市场模型的Gestival型随机过程。我们讨论了市场价格波动的因素以及市场价格波动与需求-供给曲线之间的关系。我们认为，幂律尾和长期波动是由Gestival型随机过程机制造成的。
2006-12-12 cond-mat.stat-mech physics.soc-ph q-fin.TR
Statistical properties of agent-based models in markets with continuous double auction mechanism
真实世界的市场显示幂律特征的变量，如股票价格波动。为了进一步了解市场行为，我们在基于网络的预测市场平台上进行了一系列市场实验，这使我们能够重建交易者之间的交易网络。从这些网络中，我们能够记录交易者的程度，交易者社区的规模，交易者之间的交易时间间隔以及其他感兴趣的变量。所有这些变量的分布都表现出幂律行为。另一方面，基于主体的模型已经被提出来研究真实金融市场的性质。我们在这里研究这些基于代理的模型的统计特性，并将它们与我们基于网络的市场实验的结果进行比较。在这项工作中，三个基于Agent的模型，即零智能（ZI），零智能加（ZIP）和Gjerstad-Dickhaut（GD）进行了研究。基于这三个代理模型的变量进行了计算机模拟。我们发现，虽然是最天真的基于代理的模型，ZI确实最好地描述了在现实市场中观察到的属性。我们的研究表明，从现实世界的市场中产生所观察到的属性的基本成分实际上可能是一个不断演变的动力系统的结果，其基本特征类似于ZI模型。
2010-02-04 physics.soc-ph q-fin.ST q-fin.TR
Scalable Agent-Based Modeling for Complex Financial Market Simulations
本研究开发了支持多资产交易、分布式扩展的可扩展基于智能体金融市场模拟框架，能复现市场程式化事实，无需拟合历史数据，可用于人在环学习及市场微观结构理论研究。
2024-01-31 q-fin.CP q-fin.ST q-fin.TR
Order book regulatory impact on stock market quality: a multi-agent reinforcement learning perspective
最近的技术发展改变了股票市场运作的基本方式，使监管机构能够评估这些发展的好处。与此同时，正在进行的机器学习革命及其在交易中的多种应用现在可以用来设计下一代金融模型，从而以新的方式探索金融股票市场的系统复杂性。我们在这里遵循以前的基础工作，在那里我们设计和校准了一个新的基于代理的模型股票市场模拟器，每个代理自主学习交易强化学习。在本文中，我们现在从监管者的角度研究这个模型的预测。特别是，我们专注于市场质量是如何影响较小的订单簿最小价格变动单位，越来越大的元订单，更高的交易频率，分别。在我们的模型假设下，我们发现市场质量受益于后者，而不是从其他两个趋势。
2023-02-08 q-fin.CP q-fin.PR q-fin.TR
Price return auto-correlation and predictability in agent-based models of financial markets
我们证明，少数机制出现在市场的动态，因为价格冲击的影响，因此，少数和延迟多数机制的相对重要性取决于交易的频率。然后，我们使用少数人博弈来说明，一个消失的价格回报自动关联函数并不一定意味着市场效率。相反，我们强调有条件和无条件测量的外部模式的相关性之间的差异。
2004-12-14 cond-mat.dis-nn cond-mat.stat-mech q-fin.TR
A Multi-agent Market Model Can Explain the Impact of AI Traders in Financial Markets -- A New Microfoundations of GARCH model
Nomura Asset Management Co,Ltd., Japan（摩根士丹利资产管理部门（日本））；Preferred Netqorks, Inc., Japan（Preferred Networks株式会社（日本））；PayPay Corporation, Japan（PayPay公司（日本））；SPARX Asset Management Co., Ltd., Japan（SPARX资产管理部门（日本））
针对金融市场AI交易者影响缺乏综合评估模型的问题，本研究构建包含噪声、基本面及AI交易者的多智能体市场模型，推导GARCH模型微观基础并经模拟验证，为分析AI交易者对价格形成与波动性的影响提供新框架。
2024-09-19 cs.AI cs.MA q-fin.CP
Diffusion and Aggregation in an Agent Based Model of Stock Market Fluctuations
我们描述了一个新的模型来模拟市场价格和两种不同类型的交易者的决策之间的动态相互作用。他们拥有空间移动性，可以聚集在一起形成联盟。每个联盟都遵循由领导人决定的比例投票“支配”的策略。这两种代理的相互作用产生了复杂的价格动态，这与金融时间序列的主要程式化事实是一致的。
2000-06-29 cond-mat.dis-nn cond-mat.stat-mech q-fin.TR
Simulation and estimation of an agent-based market-model with a matching engine
一个基于代理人的模型与互动的低频流动性接受者中介的高频流动性提供者共同作为做市商，可以用来提供现实的模拟价格影响曲线。当基于代理的模型交互通过在事件时间使用匹配引擎的订单匹配异步发生时，这是可能的，以取代顺序日历时间市场清算。在这里，匹配引擎基础设施已被修改，以提供作为消息流的订单确认和更新的连续馈送，以便更紧密地符合实时交易环境。然后汇总、校准和可视化模拟产生的交易和报价消息数据。各种风格化的事实与事件可视化和价格影响曲线一起呈现。我们认为，额外的现实主义建模可以实现一个小的代理参数和简单的交互规则，一旦交互是反应性的，异步的，在事件时间。我们认为，市场代理的反应性可能是金融市场的一个基本属性，当占可以允许简约的建模，而无需求助于额外的噪声源。
2021-08-20 cs.MA q-fin.CP q-fin.TR
Learning to simulate realistic limit order book markets from data as a World Agent
J.P. Morgan AI Research（摩根大通人工智能研究院）；Balyasny Asset Management, L.P.（巴利亚斯尼资产管理有限合伙公司）
多代理市场模拟器通常需要仔细校准以模拟真实市场，其中包括代理的数量和类型。校准不佳的模拟器可能会导致误导性的结论，在投资银行、对冲基金和交易员研究和评估交易策略时可能会造成严重损失。在本文中，我们提出了一个世界模型模拟器，准确地模拟一个限价订单簿市场-它不需要代理校准，而是直接从历史数据中学习模拟的市场行为。传统的方法无法学习和校准交易者群体，因为历史标记数据与每个交易者策略的细节并不公开。我们的方法建议从历史数据中学习独特的“世界”代理。它旨在模拟整体交易者群体，而不需要对个人市场代理策略做出假设。我们将我们的世界代理模拟器模型实现为条件生成对抗网络（CGAN）以及参数分布的混合，并将我们的模型与以前的工作进行比较。定性和定量，我们表明，所提出的方法始终优于以前的工作，提供更多的现实主义和响应能力。
2022-09-26 cs.GT cs.LG q-fin.CP
Effects of diversification among assets in an agent-based market model
我们将Ghoulmie et al（2005）提出的单资产金融市场离散时间模型框架扩展到多资产情形。特别是，我们专注于自适应代理与阈值行为分配资源之间的两个资产。我们探讨了数字的影响，这种多元化的复杂性在金融市场的一个额外的来源，我们讨论了它的不稳定作用。我们还指出了这些研究的相关性，为财务决策。
2007-12-21 physics.data-an physics.soc-ph q-fin.TR
ABIDES-Gym: Gym Environments for Multi-Agent Discrete Event Simulation and Application to Financial Markets
J.P. Morgan AI Research（摩根大通人工智能研究）；J.P. Morgan AI Engineering（摩根大通人工智能工程）
无模型强化学习（RL）需要能够通过在原始问题环境或其模拟版本中采取行动来采样轨迹。RL领域的突破在很大程度上得益于专用开源模拟器的开发，这些模拟器具有易于使用的框架，如OpenAI Gym及其Atari环境。在本文中，我们建议使用OpenAI Gym框架基于离散事件时间的离散事件多智能体仿真（DEMAS）。我们介绍了一个通用的技术来包装的DEMAS模拟器到健身房的框架。我们揭示了详细的技术，并实现它使用模拟器ABIDES作为基础。我们通过专门使用ABIDES的市场扩展ABIDES-Markets来应用这项工作，并开发了两个基准金融市场OpenAI Gym环境，用于培训日常投资者和执行代理。因此，这两个环境描述了经典的金融问题与一个复杂的互动市场行为反应的实验代理人的行动。
2021-10-27 cs.AI cs.MA q-fin.TR
Mathew Effect in Artificial Stock Market
本文建立了一个基于代理人投资心理的股票市场模型。代理人根据自己对市场行为的预期，决定是否按概率购买股票。他们希望购买的股票数量的预期与他们持有的资产价值成正比。代理人出于获利心理、止损心理或对资产长期冻结的不满而抛售股票。我们研究了代理人的资产分布是如何随着系统演化而变化的。实验结果表明，在人工股票市场中，资产分布存在明显的马太效应，并且随着系统运行时间的增加、股票市场规模的增大和代理人活动程度的增加，马太效应对资产分布的影响越来越显著。
2004-06-16 cond-mat.other cond-mat.stat-mech q-fin.TR
Anomalous fluctuations in Minority Games and related multi-agent models of financial markets
我们回顾了最近的方法来模拟金融市场的基础上多智能体系统。在简要总结了真实市场时间序列中观察到的基本程式化事实之后，我们讨论了目前用于建模金融市场的一些简单的基于代理的系统。这里最突出的例子之一是少数者博弈（MG），我们将更详细地讨论它。经过简单的讨论，其基本设置和一般的现象学，我们总结了统计力学分析的主要结果，并讨论了出现的风格化的事实在扩展的MG附近的有效和可预测的制度之间的相变。然后，我们转向更现实的变体，其中包括不同的代理人群体，具有不同的记忆能力，不同的交易倾向和对市场未来发展的不同期望。最后，我们给出了一个简短的展望在这方面的潜在的未来工作。
2006-08-08 cond-mat.dis-nn cond-mat.stat-mech physics.soc-ph
Multi-market minority game: breaking the symmetry of choice
少数人博弈被认为是一个以上的市场推广。在每一个时间步，每个代理选择一个策略，并在与此策略相关的市场上采取行动。如果支付函数允许效用的强烈波动，那么市场占有率就会变得不均匀，人们会优先考虑最先发生波动的市场。存在一个临界规模的代理人人口以上的代理人在更大的市场集体行为。在这种制度下，总是存在这样一种决策历史，即在一个更大的市场上，所有的代理人都做出相同的反应。
2009-06-20 cond-mat.dis-nn hep-lat nlin.AO
Simulation of Stylized Facts in Agent-Based Computational Economic Market Models
我们研究了定性和定量的外观程式化的事实在几个基于代理的计算经济市场（ABCEM）模型。我们使用作者最近推出的SABCEMM（基于代理的计算经济市场模型模拟器）工具（Trimborn等人2019）进行模拟。此外，我们提出了新的ABCEM模型，通过重组现有的模型，并研究他们的程式化的事实以及。由于SABCEMM工具采用面向对象的软件设计，因此可以有效地执行此操作。代码可在GitHub上获得（Trimborn et al. 2018），以便读者可以复制所有结果。
2019-11-15 econ.EM econ.GN q-fin.EC
