더 깊은 모양 : 복잡한 시장 모델의 매개 변수 교정 (확장 치아 라)
링크 표
초록 및 1. 소개
2. 관련 작업
3. 방법
3.1 모델
3.2 기능 요약
3.3 시장 모델 매개 변수의 교정
4. 실험
4.1 제로 정보 상인
4.2 확장 된 Chiarella
4.3 과거 데이터
5. 토론 및 미래의 작업
6. 의의, 인정 및 참고 문헌
4.2 확장 된 Chiarella
우리는 또한 확장 된 Chiarella 모델의 매개 변수를 식별 할 수 있음을 발견했습니다. 이 모델은 매개 변수 수가 증가하고 시뮬레이터의 전체 출력에서 유연성이 더 높기 때문에 이것은 중요합니다. 미드 가격과 총 부피 데이터를 사용할 때 0.77 (+/- 0.26)의 RMSE와 0.82 (+/- 0.29)의 6 개 매개 변수를 1 레벨에서 VWAP를 사용할 때 6 개의 매개 변수를 교정 할 수 있습니다. VWAP를 사용할 때 전체 정확도는 약간 감소하지만, 후방 확률 분포가 이미 제약되는 매개 변수 주변에서 전체 불확실성이 감소한다는 것을 알 수 있습니다. 이는 섹션 5에서 논의하는 것처럼 모형 드리프트를 평가하기 위해 매개 변수 값에 대한 단일 포인트 추정치가 사용되는지 또는 명시 적 사후가 관심 있는지에 대한 트레이드 오프를 나타냅니다. 또한 특정 매개 변수에 대한 사후 분포를 조사하면 모델 가정에 대한 추가 통찰력이 제공됩니다.
\ 우리는 확장 된 Chiarella 모델에 대한 추정 후방 확률 분포에서 두 가지 흥미로운 기능을 관찰했습니다. 먼저, 위에서 논의한 바와 같이, 우리는 매개 변수의 서브 세트가 분산이 낮아서 불확실성이 감소된다는 것을 발견했다. 이들은 노이즈 트레이더와 기본 거래자 인 𝜎𝑁 및 𝜅를 제어하는 매개 변수입니다. 그러나 모멘텀 트레이더의 경우 불확실성이 낮은 고주파 및 중간 주파수 매개 변수 인 𝛽 및 𝛽ℎ 𝑓에 대한 붕괴 항을 교정 할 수 있습니다. 일반적으로, 우리는이 트레이더 행동을 제어하는 매개 변수는 일반적으로 이전에 걸쳐있는 불확실성을 가지고 있음을 발견했습니다. 우리는 섹션 5에서 이것에 대한 의미를 논의합니다.
\ 우리는 NSF를 사용할 때 좋은 테스트 성능을 달성 할 수 없었으며 대신 MAF를 사용해야했습니다. 이는 매개 변수 공간의 차원이 증가했기 때문에 신경망이 과도하게 맞았 기 때문일 수 있습니다. 우리는 서로 다른 초기 학습과 탈락률을 시험했지만 훈련 시간 동안 훈련과 검증 손실 사이의 상당한 발산을 관찰했습니다. MAF가 일반적으로 NSF보다 표현력이 뛰어나고 변수 간의 더 복잡한 종속성을 캡처 할 수 있다는 점을 감안할 때, 이는 매개 변수 세트의 크기의 치수가 증가했기 때문일 수 있습니다. 따라서 분포를 더 잘 추정하기 위해서는 더 큰 시뮬레이션 예산이 필요할 수 있습니다. 미래의 작업은 이것을 더 조사 할 것입니다.
\
::: 정보
저자 :
(1) Namid R. Stillman, Simudyne Limited, 영국 ([email protected]);
(2) Rory Baggott, Simudyne Limited, 영국 ([email protected]);
(3) Justin Lyon, 영국 Simudyne Limited ([email protected]);
(4) Jianfei Zhang, 홍콩 거래소 및 클리닝 리미티드, 홍콩 ([email protected]);
(5) Dingqiu Zhu, 홍콩 거래소 및 청산 제한, 홍콩 ([email protected]);
(6) 타오 첸, 홍콩 거래소 및 클리닝 리미티드, 홍콩 ([email protected]);
(7) Perukrishnen Vytelingum, Simudyne Limited, 영국 ([email protected]).
:::
::: Info이 논문은 4.0 증서 라이센스에 의한 CC에 따라 ARXIV에서 구할 수 있습니다.
:::
\
Post Comment