Simulation de livre d'ordres à limites basée sur des agents stochastiques neuraux avec un processus point neural et un modèle probabiliste de diffusion

Résumé Les échanges financiers modernes utilisent un livre d'ordres électronique (LOB) pour stocker les offres d'achat et de vente d'un actif financier spécifique. En tant que l'information la plus détaillée représentant la demande et l'offre d'un actif, les données LOB sont essentielles pour comprendre la dynamique du marché. Par conséquent, des simulations de LOB réalistes offrent une méthodologie précieuse pour expliquer les propriétés empiriques des marchés. Les modèles de simulation traditionnels comprennent des modèles basés sur des agents (ABM) et des modèles stochastiques (SM). Cependant, les ABM ont tendance à ne pas être ancrés dans des données historiques réelles, tandis que les SM ne permettent pas d'interaction dynamique entre agents. Plus récemment, des approches génératives profondes ont été mises en œuvre avec succès pour aborder ces problèmes, mais leur nature de boîte noire entrave l'explicabilité et la transparence du système. Pour surmonter ces limitations, nous proposons un nouveau modèle hybride basé sur des agents stochastiques neuraux (NS-ABM) pour la simulation de LOB qui intègre un trader stochastique neural dans une simulation basée sur des agents, caractérisé par (1) la représentation de l'agrégation de la logique des événements de marché par un trader d'arrière-plan stochastique neural pré-entraîné sur des données historiques LOB via un modèle de processus point neural; (2) l'apprentissage de la distribution complexe des attributs liés aux ordres conditionnée par divers indicateurs de marché à travers un modèle probabiliste de diffusion non paramétrique; et (3) l'intégration du trader d'arrière-plan dans une plateforme de simulation multi-agents pour permettre l'interaction avec d'autres agents de trading stratégiques. Nous instancions ce modèle hybride NS-ABM en utilisant la plateforme ABIDES. Nous exécutons d'abord le trader d'arrière-plan isolément et montrons que le LOB simulé peut recréer une liste complète de faits stylisés qui démontrent un comportement de marché réaliste. Nous introduisons ensuite une population d'agents de trading 'tendances' et 'valeur', qui interagissent avec le trader d'arrière-plan. Nous montrons que les faits stylisés demeurent et nous démontrons l'impact du flux d'ordres et les comportements de troupeau financier qui sont conformes aux observations empiriques des marchés réels.