深度学习可复制限价订单簿金融市场中的自适应交易者

我们报告了使用深度学习神经网络（DLNNs）仅通过观测，在一个紧密建模于限价订单簿（LOB）市场机制的电子市场中学习盈利交易者行为的成功结果，该机制常见于现实世界全球金融市场的股票（股权）、货币、债券、大宗商品及衍生品中。成功的真实人类交易者和先进的自动化算法交易系统会从经验中学习并随市场条件变化而随时间适应；我们的 DLNN 学习复制这种自适应交易行为。我们工作的一个新颖之处在于，我们不采用试图预测可交易证券价格时间序列的常规方法。相反，我们仅通过观察市场中成功销售交易员发出的报价、该交易员执行的订单细节，以及该交易员活跃期间 LOB 上可用的数据（通常由中心化交易所提供）来收集大量训练数据。在本文中，我们证明配置合适的 DLNN 能够学习复制一个成功的自适应自动化交易者（一个先前被证明表现优于人类交易员的算法系统）的交易行为。我们还证明 DLNN 能够学习得比提供训练数据的交易员更好（即更有利可图）。我们相信这是首次证明 DLNN 能够成功复制在真实世界金融市场现实仿真中运作的拟人化或超人自适应交易者。我们的结果可被视为概念验证：DLNN 原则上可以观察真实金融市场中人类交易员的行动，并随时间学习交易得与该人类交易员一样好，甚至可能更好。