고 빈도 거래 전략을 식별하는 행동 기반 학습

고 빈도 거래 전략 식별을위한 행동 기반 학습.
8 Pages 게시일 : 2011 년 11 월 8 일
스티브 Y. 양.
스티븐스 공과 대학.
Mark E. Paddrik.
미합중국 정부 - 재정 연구 사무실.
Roy Hayes Jr.
버지니아 대학.
앤드류 토드.
버지니아 대학.
Andrei A. Kirilenko.
Imperial College London - 글로벌 금융 및 기술 센터.
피터 벨링.
버지니아 대학, 시스템 및 정보 공학과
윌리엄 Scherer.
IEEE 지능형 교통 시스템 학회.
작성 날짜 : 2011 년 11 월 7 일.
전자 금융 시장은 다양한 금융 자산 거래에있어 인기있는 장소로 떠오르고 있으며, 컴퓨터 기반 알고리즘 거래 역시 전 세계 금융 시장에서 지배적 인 역할을 담당하고 있습니다. 알고리즘 거래가 금융 시장에 미치는 영향을 파악하고 이해하는 것은 시장 운영자와 규제 당국에게 중요한 문제가되었습니다. 우리는 관찰 된 거래 행위를 야기했을 가능성이 가장 높은 보상 기능의 측면에서 거래자의 행동을 특징 짓기를 제안한다. 우리의 접근 방식은 거래 의사 결정을 Markov Decision Process (MDP)로 모델링하고 최적 결정 정책의 관찰을 사용하여 보상 기능을 찾는 것입니다. 이것은 역 강화 학습 (Inverse Reinforcement Learning, IRL)이라고합니다. 상인 행동을 특성화하기위한 우리의 IRL 기반 접근 방식은 주문 책 역학의 핵심 경험적 속성을 포착하지만 계산적으로 다루기 쉽다는 점에서 두 가지 바람직한 특징 사이의 균형을 이룹니다. 선형 프로그래밍을 기반으로 한 IRL 알고리즘을 사용하여 시뮬레이션 된 E-Mini S & P 500 선물 시장의 실험에서 고주파수 거래를 다른 거래 전략과 구별 할 때 90 % 이상의 분류 정확도를 달성 할 수 있습니다. 이 경험적 테스트의 결과는 고 빈도 거래 전략이 개별 거래 행동의 관찰을 기반으로 정확하게 식별되고 프로파일 링 될 수 있음을 시사합니다.
키워드 : 제한 주문서, 역 강화 학습, 마르코프 결정 과정, 최대 가능성, 가격 영향, 고주파수 거래.
Steve Yang (연락처 작성자)
스티븐스 공과 대학교 ()
호 보켄, 뉴저지 07030.
마크 패드릭.
미합중국 정부 - 재무 연구처 (Office of Financial Research)
717 14th Street, NW.
워싱턴 DC, DC 20005.
버지니아 대학교 ()
앤드류 토드.
버지니아 대학교 ()
1400 University Ave.
Charlottesville, VA 22903.
Andrei Kirilenko.
Imperial College London - 글로벌 금융 및 기술 센터 ()
사우스 켄싱턴 캠퍼스.
피터 벨링.
버지니아 대학교 시스템 정보 공학과 ()
1400 University Ave.
Charlottesville, VA 22903.
윌리엄 Scherer.
IEEE 지능형 교통 시스템 학회.
종이 통계.
관련 전자 잡지.
Behavioral & Experimental Finance 전자 저널.
이 주제에 대한 더 많은 큐레이터 기사를 보려면이 무료 저널을 구독하십시오.
자본 시장 : 시장 미세 구조 전자 저널.
이 주제에 대한 큐레이팅 된 기사를 보려면이 수수료 저널을 구독하십시오.
미시 경제학 : 검색; 배우기; 정보 비용 및 특정 지식; Expectation & Speculation 전자 저널.
이 주제에 대한 큐레이팅 된 기사를 보려면이 수수료 저널을 구독하십시오.
미시 경제학 : 금융 시장의 일반적인 평형 및 불평형 모델
이 주제에 대한 큐레이팅 된 기사를 보려면이 수수료 저널을 구독하십시오.
혁신 금융 및 회계 전자 저널.
이 주제에 대한 큐레이팅 된 기사를 보려면이 수수료 저널을 구독하십시오.
e 비즈니스 및 전자 상거래 전자 저널.
이 주제에 대한 큐레이팅 된 기사를 보려면이 수수료 저널을 구독하십시오.
인지 사회 과학 저널.
이 주제에 대한 큐레이팅 된 기사를 보려면이 수수료 저널을 구독하십시오.
권장 논문.
빠른 링크.
약.
쿠키는이 사이트에서 사용됩니다. 거부하거나 더 자세히 알아 보려면 쿠키 페이지를 방문하십시오. 이 페이지는 apollo4에 의해 0.250 초 만에 처리되었습니다.

고 빈도 거래 전략을 식별하는 행동 기반 학습
Infona 포털은 사용자의 기기에 브라우저가 저장 한 텍스트 문자열 인 쿠키를 사용합니다. 포털은 이러한 파일에 액세스하여 선택한 설정 (화면보기, 인터페이스 언어 등) 또는 로그인 데이터와 같은 사용자 데이터를 기억할 수 있습니다. Infona 포털을 사용하면 자동 저장을 허용하고이 정보를 포털 운영 목적으로 사용합니다. 이 주제에 대한 자세한 내용은 개인 정보 보호 정책 및 서비스 약관에서 확인할 수 있습니다. 이 창을 닫으면 사용자는 쿠키 사용에 대한 정보를 읽었으며 개인 정보 취급 방침 및 쿠키가 포털에서 사용되는 방식을 수락 함을 확인합니다. 브라우저의 쿠키 설정을 변경할 수 있습니다.
INFONA - 과학 커뮤니케이션 포털
추상.
식별자.
사용자 지정.
할당 삭제 확인
이 과제를 제거 할 것입니다. 확실합니까?
양, 스티브.
버지니아 대학교 시스템 정보 공학과
Paddrik, Mark.
버지니아 대학교 시스템 정보 공학과
버지니아 대학교 시스템 정보 공학과
토드, 앤드류.
버지니아 대학교 시스템 정보 공학과
추가 정보.
몫.
참고 문헌으로 내보내기.
오류 / 악용 사례 신고.
보고서를 보내지 못했습니다.
보고서를 제출하지 못했습니다. 다시 시도하십시오. 오류가 계속되면 supportinfona. pl에 서면으로 관리자에게 문의하십시오.
내게 필요한 옵션.
다음 키 조합을 눌러 글꼴 크기를 조정할 수 있습니다.
다음 키 조합을 눌러 페이지의 활성 요소 (단추 및 링크)를 변경할 수 있습니다.
TAB 다음 요소로 이동 SHIFT + TAB 이전 요소로 이동합니다.

행동 기반 알고리즘 트레이딩 전략 식별.
양, 스티브, 시스템 공학과, 버지니아 대학교.
Scherer, 윌리엄, 시스템 및 정보 공학, 버지니아 대학.
벨 링, 피터, 시스템 및 정보 공학, 버지니아 대학교.
전자 금융 시장은 다양한 금융 자산 거래에있어 인기있는 장소로 떠오르고 있으며, 컴퓨터 기반 알고리즘 거래 역시 전 세계 금융 시장에서 지배적 인 역할을 담당하고 있습니다. 알고리즘 거래가 금융 시장에 미치는 영향을 파악하고 이해하는 것은 시장 운영자와 규제 당국에게 중요한 문제가되었습니다. 우리는 관찰 된 거래 행위를 야기했을 가능성이 가장 높은 보상 기능의 측면에서 거래자의 행동을 특징 짓기를 제안한다. 우리의 접근 방식은 거래 의사 결정을 Markov Decision Process (MDP)로 모델링하고 최적 결정 정책의 관찰을 사용하여 보상 기능을 찾는 것입니다. 이것은 역 강화 학습 (Inverse Reinforcement Learning, IRL)이라고 알려져 있으며이 문제에 대한 다양한 접근법이 알려져 있습니다. 상인 행동을 특성화하기위한 우리의 IRL 기반 접근 방식은 주문 책 역학의 핵심 경험적 속성을 포착하지만 계산적으로 다루기 쉽다는 점에서 두 가지 바람직한 특징 간의 균형을 이룹니다. 선형 프로그래밍을 기반으로 한 IRL 알고리즘을 사용하여 시뮬레이션 된 E-Mini S & P 500 선물 시장의 실험에서 High Frequency Trading을 다른 거래 전략과 구별하는 데있어 90 % 이상의 분류 정확도를 달성 할 수 있습니다.
또한 실제 시장 관측과 관련된 불완전 관측 및 비 결정적 경찰 문제를 조사하고 다룹니다. Gaussian Process Inverse Reinforcement Learning을 기반으로 한 모델을 개발합니다. 본 연구의 주요 목적은 역 강화 학습 (IRL)의 틀 하에서 베이지안 추론을 사용하여 알고리즘 거래 행위를 모델링하는 것이다. 보상 공간에서 상인의 행동을 가우스 프로세스로 모델링합니다. 서로 다른 시장 참여자에 대한 불완전한 관찰을 통해, 우리는 최적의 정책과 상응하는 보상 기능을 복구하여 다른 상황에서의 행동을 설명하는 것을 목표로합니다. 우리는 Qiao and Beling (Qiao and Beling [2011])이 개발 한 GPIRL (Gaussian Process Inverse Reinforcement Learning) 알고리즘을 사용하여 알고리즘 거래 행위를 정확하게 식별 할 수 있으며 선형보다 우위에 있음을 보여줍니다.
최대화 접근법을 특징으로합니다. GPIRL 모델을 사용한 실제 시장 데이터 실험은 지원 벡터 머신 (SVM) 기반 분류 방법을 사용하여 상인 식별 정확도를 95 % 이상 유지합니다. 우리는 또한 기존의 요약 통계 기반 상인 분류 (Kirilenko et al. [2011])와 우리의 행동 기반 분류간에 명확한 연관성이 있음을 보여줍니다. 시간이 지남에 따라 거래 행동의 잠재적 변화를 다루기 위해, 우리는 서로 다른 시장 조건 하에서 알고리즘 거래 행동의 다양성을 다루기 위해 스코어 기반 분류 접근법을 제안합니다. 우리는 우리의 행동 기반 식별이 더 나은 결과이기 때문에 추측합니다.
따라서 요약 통계 기반 방법과는 다른 시장 조건 하에서 거래자가 선택한 행동과 가치 제안을 유도하기 때문에 요약 통계 기반 방법보다 더 유익하고 견고하며 시장 참여자의 새로운 행동 패턴을 발견하는 데 적합합니다.
전체적으로 우리는 Inverse Reinforcement Learning 프레임 워크 하에서 행동 기반 모델링 기법을 사용하여 Algorithmic Trading 전략을 정확하게 식별 할 수 있으며 이러한 전략은 시장 감시 및 기타 경제 연구에 대한 개별 거래 행동의 관찰을 토대로 제안 할 수 있다는 가설을 입증합니다. 일반적으로 금융 시장 품질에 대한 다른 알고리즘 트레이딩 전략.
알고리즘 트레이딩, 고주파 트레이딩, 역 강화 학습, 최적화, 가우스 프로세스.
판권 소유 (공용 재사용을위한 추가 사용권 없음)

Nanex.
그들은 무엇을 알았습니까?
그들이 그것을 언제 알았습니까?
요약.
당시 CFTC의 수석 이코노미스트가 공동 작성한 학술 논문 인 Kirilenko 박사는 스푸핑은 고주파 거래 (HFT)에서 사용되는 일반적으로 관찰되는 조작 방식이며 경험적 증거는 주식 및 선물 모두에 존재 함을 보여줍니다 . 또한, 스푸핑은 주문을 충분히 빨리 취소하므로 적은 수의 참가자가 주문을 취소 할 수 있습니다. 이 논문은 실제 거래 데이터의 구체적인 예를 사용합니다. 그러나 진행중인 조사 때문에 세부 사항은 빠져 나갔다. 우리는 이제 그 예가 원유 선물을 스푸핑하는 HFT이고, 진행중인 조사가 Panther Energy Trading 벌금에 이르게되었음을 압니다.
이 학술지의 HFT 조작 및 높은 인용 취소 비율에 대한 묘사는 새로 형성된 HFT 로비 그룹뿐만 아니라 SEC 및 CFTC의 공개 성명과는 반대되는 내용입니다.
고 빈도 거래 전략 확인에서의 행동 기반 학습의 학술지는 2011 년 11 월 7 일 발행 시점의 CFTC 수석 경제학자 인 Andrei Kirilenko 박사가 공동 저술했습니다.
이 논문은 고주파 거래 (HFT) 조작에 대한 경험적 증거가 있음을 입증합니다. 특히 스푸핑이나 "과장 및 덤프"로 알려진 전략
이 논문은 스푸핑이 불법이며 주식 및 선물 모두에서 이러한 관행이 빈번히 발견된다는 것을 확인합니다.
증권 시장은 SEC와 CFTC의 선물에 의해 규제됩니다. Kirilenko 박사는 SEC 플래쉬 충돌 보고서의 최종 저자이자 CFTC의 수석 이코노미스트이기 때문에 SEC와 정기적으로 의견을 나눴습니다.
2011 년 11 월 7 일자의이 신문은 진행중인 CFTC 조사로 인해 구체적인 내용을 공개 할 수 없다고 밝혔습니다. 우리는 석유 선물 시장 스푸핑에 대한 Panther Energy Trading에 대한 벌금으로 조사가 끝났다고 믿습니다. 이 사례를 분석하고 수십 개의 차트를 포함했으며이 중 많은 차트는이 백서에서 논의 된 600 밀리 초 주문 취소 비율을 보여줍니다.
우리는 그 이후 Panther 사건과 유사한 다른 사건과 의심스러운 HFT 거래 관행의 수천 가지 사례를 문서화했습니다.
타임 라인을 살펴 보겠습니다.
2011 년 10 월 18 일
오일 선물 거래를 위해 HFT 회사에 조치를 취하기 위해 CFTC 전체 21 개월이 걸렸습니다. 어쩌면 이것이 정부의 행동에 대한 일반적인 속도 일지 모르나 지금 당장은 우리의 관심사 중 가장 적습니다. 이 학술지가 시행 조치의 빙하 속도보다 훨씬 더 심각하게 드러나는 무엇인가가 있습니다. 그것은 다음과 같은 질문과 관련이 있습니다.
SEC는 무엇을 알고 있었으며, 언제 알았습니까?
이 보고서는 규제 당국 (SEC 및 CFTC)이 빠른 주문 취소 률과 관련된 불법 HFT 조작 전략을 알고 있음을 명확히 밝힙니다. 그들은 2011 년 11 월에이 사실을 알고 있었으며 아마도 학술 논문이 출판되기까지 걸린 시간을 고려할 때 수개월 전이었을 것입니다.
HFT, 조작 및 고차 취소율에 관한 규제 당국의 최근 성명에이 지식을 병행하면 거부, 불확실성 및 의심이 있음을 알 수 있습니다. 우리는 심지어 규제 당국이 다른 HFT 조작 전략을 조사하고있는 학술 프로그램을 중단하라는 지시를받는 것을 목격했습니다. 이 프로그램은 2 개월 전에 CFTC를 떠난 Andrei Kirilenko 박사가 이끌었다.
우리가 보지 못하는 것은 행동이나 정책 변화, 또는 HFT 조작에서의 통치에 관한 토론입니다. 규제 기관의 관심이 부족한 것은 시장에서 나타난다. 동일한 행동에 대한 증거가 계속해서 쌓이고있다.
HFT 조작원은 그들이 건드릴 수 없다고 생각합니다.
이번 주에 우리는 최근 주문 된 HFT 로비스트 그룹이 신속하게 주문을 취소하고 취소 할 가치가 없다고 주장하여 HFT가 그렇게하지 않을 것이라고 주장했다. 그 주 전, 교환의 최고 경영자 (CEO)는 HFT가 주문을 신속히 배치하고 취소하는 징후 인 깜박임 따옴표에 대해 아무런 우려도 표명하지 않았습니다.
결론.
전 CFTC 수석 이코노미스트가 공동 저술 한 보고서는 2011 년 11 월 초 주식 및 선물 모두에서 고주파 거래 조작에 대해 규제 당국이 이미 알고 있었으며 이러한 행동은 일반적이며 감지 할 수 있음을 분명히합니다. 적절한 대응은 규제 당국이 공정한 시장 지위를 확보하기 위해 빈번한 벌금과 지침을 부과하는 것입니다.