Generative models of limit order books
Tid: To 2021-06-10 kl 13.00
Plats: Via Zoom: https://kth-se.zoom.us/webinar/register/WN_ELZ61ZbqSNKq_c7ShhtAqA, (English)
Ämnesområde: Matematik
Licentiand: Hanna Hultin , Matematisk statistik
Granskare: Professor Erik Lindström, Lund University
Huvudhandledare: Professor Henrik Hult, Matematisk statistik
Abstract
I denna avhandling utvecklas generativa modeller i maskininlärning med syfte att förbättra metoder för algoritmisk handel på högfrekventa elektroniska marknader baserat på orderböcker. Avhandlingen består av två artiklar.
Den första artikeln utvecklar en generativ modell för den dynamiska utvecklingen av en orderbok baserad på rekurrenta neurala nätverk. Modellen fångar orderbokens fullständiga dynamik genom att bryta ned sannolikheten för varje förändring av orderboken i en produkt av betingade sannolikheter för ordertyp, prisnivå, orderstorlek och tidsfördröjning. Var och en av de betingade sannolikheterna modelleras med ett rekurrent neuralt nätverk. Dessutom introduceras flera evalueringsmetoder för generativa modeller relaterade till orderexekvering. Den generativa modellen tränas framgångsrikt både för syntetisk data, genererad av en Markovmodell, och riktig data från Nasdaq Stockholm.
Den andra artikeln utforskar förstärkningsinlärning för att hitta optimala strategier för orderexekvering i Markovska modeller. Flera olika metoder implementeras och jämförs, inklusive en referensstrategi med tidsviktat medelpris, tabulär Q-inlärning och djup Q-inlärning baserade både på fördefinierade statistikor och med hela orderboken som indata. Resultaten indikerar att det är fördelaktigt att använda hela orderboken som indata för djup Q-inlärning. För att förbättra förståelsen för besluten som agenten tar, visualiseras Q-funktionen för djup Q-inlärning som funktion av de fördefinierade statistikorna.