面向高频金融的功能型控制学习
最优化与控制
2021-02-15 v2 计算工程、金融与科学
机器学习
计算金融
交易与市场微观结构
摘要
我们利用深度神经网络为高频数据上的最优交易生成控制器。神经网络首次学习了交易者的偏好(即风险厌恶参数)与最优控制之间的映射。学习该映射的一个重要挑战在于,在日内交易中,交易者的行为通过市场冲击以闭环方式影响价格动态。由高效执行所产生的探索—利用权衡,通过调节交易者偏好来解决,以确保在学习阶段产生足够长的轨迹。金融数据稀缺的问题通过迁移学习解决:神经网络首先基于蒙特卡洛方案生成的轨迹进行训练,从而在历史轨迹上训练之前获得良好的初始化。此外,为回应金融监管机构对机器学习生成控制可解释性的切实要求,我们将所得“黑箱控制”投影到由典型最优交易问题闭式解通常张成的空间上,从而得到透明结构。对于无闭式解的更真实损失函数,我们表明所生成控制与其可解释版本之间的平均距离仍然很小。这为金融监管机构接受 ML 生成的控制打开了大门。
引用
@article{arxiv.2006.09611,
title = {Learning a functional control for high-frequency finance},
author = {Laura Leal and Mathieu Laurière and Charles-Albert Lehalle},
journal= {arXiv preprint arXiv:2006.09611},
year = {2021}
}
备注
24 pages, 21 figures