Almgren-Chriss 最优交易执行模型的强化学习扩展
交易与市场微观结构
2016-02-19 v1
摘要
本文探索将强化学习作为一种候选机器学习技术，结合市场微观结构要素，以增强现有的最优交易执行解析解。在给定交易量、固定时间范围和离散交易时段的情况下，目标是调整给定的交易量轨迹，使其在实时执行过程中能够根据有利或不利条件动态变化，从而降低整体交易成本。我们考虑以具有线性价格冲击的标准 Almgren-Chriss 模型作为候选基础模型。该模型在卖方机构中广受欢迎，常作为到达价格基准执行算法的基础。通过训练学习智能体根据市场当前的价差和成交量动态修改交易量轨迹，基于南非股票市场的股票样本和交易规模，我们发现与基础模型相比，平均可将交易后执行差额改善高达 10.3%。
引用
@article{arxiv.1403.2229,
title = {A reinforcement learning extension to the Almgren-Chriss model for optimal trade execution},
author = {Dieter Hendricks and Diane Wilcox},
journal= {arXiv preprint arXiv:1403.2229},
year = {2016}
}
备注
6 pages, 2014 IEEE Computational Intelligence for Financial Engineering and Economics conference (accepted)