FlowOE：基于流匹配模型的仿照学习，在阿斯顿波动率和凹形市场冲击下实现最优执行

金融市场中的最优执行指的是在一段时间内战略性地交易大量资产，以在市场冲击成本与时机或波动风险之间的权衡下实现最佳结果。传统的最优执行策略，如静态Almgren-Chriss模型，往往在动态金融市场中次优。本文提出flowOE，一种基于流匹配模型的新型仿照学习框架，以解决这些限制。FlowOE从多样化的专家传统策略中学习，并自适应地选择适用于当前市场条件的最佳专家行为。一种关键创新是通过在仿照过程中纳入细化损失函数，使flowOE不仅能够模仿，还能改进所学专家动作。到目前为止，本工作是首次将流匹配模型应用于随机最优执行问题。跨各种市场条件的实证评估表明，flowOE显著优于特定校准的专家模型和其他传统基准，实现更高利润并降低风险。这些结果凸显了flowOE的实际适用性及其潜在价值，以提升自适应最优执行。