文献

J-GLOBAL ID：202202216303883198   整理番号：22A0500363

機械学習による予測市場作成【JST・京大機械翻訳】

Predictive Market Making via Machine Learning

著者 (4件)： Haider Abbas (School of Computing, Ulster University, Northern Ireland, UK) ,  Wang Hui (School of Computing, Ulster University, Northern Ireland, UK) ,  Scotney Bryan (School of Computing, Ulster University, Northern Ireland, UK) ,  Hawe Glenn (School of Computing, Ulster University, Northern Ireland, UK)
資料名： SN Operations Research Forum  (SN Operations Research Forum)
巻： 3  号： 1  ページ： 5  発行年： 2022年 
JST資料番号： W6375A  ISSN： 2662-2556  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 市場製造(MM)は,株式市場への流動性を提供する重要な手段である。最近の研究は,強化学習(RL)が,収益に関してMMを有意に改善できることを示唆している。RLベースのMMに関する最新の研究において,報酬は,その現在の価格とMMエージェントのインベントリに基づいて計算した公平性収益の機能である。その結果,エージェントのリターンが最大化され,流動性が提供される。価格移動が知られており,この情報が最適に利用されるならば,MMエージェントのリターンがさらに改善される可能性がある。重要な疑問は,株価移動を予測する方法,およびそのような予測をどのように利用するかである。本論文では,予測市場マーキング(PMM)の概念を導入し,RLベースMMエージェントと深層ニューラルネットワーク(DNN)ベース価格予測器から成るPMMに対する提案手法を提示した。PMMの重要な構成要素は,統合価格方程式(CPE)であり,それは,現在の価格と将来の動きを反映する,アスカと入札の引用を作り出すために使われる,統合価格に,市場価格と予測市場価格を融合する。このPMM法を,最新技術(RLベースMM)と従来のMM法に対して,10のストックと3つの交換取引ファンド(ETFs)を使用して評価した。サンプル外のバックテストは,PMM法が2つのベンチマーク法より優れていることを示した。Copyright The Author(s) 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 流動性 ,  マーキング ,  分子内力学 ,  株式市場 ,  在庫量 ,  エージェント ,  *機械学習 ,  強化学習 ,  公平性
準シソーラス用語： 株価 ,  予測器 ,  市場価格 ,  *予測市場 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： 市場づくり ,  強化学習 ,  深層ニューラルネットワーク ,  資産価格予測

分類 (3件)： 人工知能  (JE08000Z) ,  利益管理  (KA05030A) ,  電力工学・電力事業一般  (NB01000X)

タイトルに関連する用語 (2件)： 機械学習 ,  予測市場