用于金融市场真实离散订单数据生成的策略梯度股票 GAN
机器学习
2022-04-29 v1 计算金融
摘要
本研究提出了一种新的生成对抗网络（GAN），用于生成金融市场中的真实订单。在以往的一些工作中，由于 GAN 架构的学习局限，面向金融市场的 GAN 在连续空间中生成虚假订单。然而在现实中，订单是离散的，例如具有最小报价单位的订单价格或订单类型。因此，本研究改变了生成方法，将生成的虚假订单置于离散空间中。由于这一改变使得普通的 GAN 学习算法失效，本研究采用强化学习中常用的策略梯度作为学习算法。通过实验，我们表明所提模型在生成订单分布上优于以往模型。作为引入策略梯度的额外好处，生成策略的熵可用于检查 GAN 的学习状态。未来可进一步研究更高性能的 GAN、更好的评估方法或我们 GAN 的应用。
引用
@article{arxiv.2204.13338,
title = {Policy Gradient Stock GAN for Realistic Discrete Order Data Generation in Financial Markets},
author = {Masanori Hirano and Hiroki Sakaji and Kiyoshi Izumi},
journal= {arXiv preprint arXiv:2204.13338},
year = {2022}
}