Ajánlati könyv alapú algoritmikus végrehajtási stratégiák vezérlése mély tanulással

OData támogatás
Konzulens:
Dr. Gyires-Tóth Bálint Pál
Távközlési és Médiainformatikai Tanszék

Manapság a pénzügyi piacokon végrehajtott megbízások jelentős részét automatikus algoritmusok végzik. Fontos és kritikus probléma a kereskedés végrehajtási stratégiák optimalizálása. A cél az adott mennyiségű részvény eladása/megvétele meghatározott időn belül, úgy, hogy a legmagasabb/legalacsonyabb átlagos kereskedési árat érjük el. Ideális esetben a nagy volumenű kereskedések rejtve maradnak más piaci szereplők elől, tehát nem lesz jelentős piaci hatásuk az árra. Azonban az elektronikus tőzsdék gyakran kiadják a függőben lévő vételi és eladási ajánlatok árát és mennyiségét (a továbbiakban: ajánlati könyv) valós időben. Ennek következtében a kiadott nagy volumenű ajánlatok valószínűleg hatással lesznek a piaci árra, így a kapott átlagos kereskedési ár kedvezőtlenebb az ideális esethez képest.

Ebben a munkában ajánlati könyv adatokat használok egy mély tanuláson alapuló prediktív algoritmus tanítására, amely a napon belüli ármozgást jelzi előre és ezt az előrejelzést használom az Almgren és Chriss által készített kereskedelmi végrehajtási stratégiája fejlesztésére. Az előrejelzéshez lineáris regressziót és egy SVM alapú modellt alkalmazok összehasonlítási alapnak. A kereskedési stratégiához az "egyszerre eladni" és "egyenlő nagyságú ajánlatok" szabályalapú végrehajtási stratégiákat használok a mély tanulással frissített stratégiával való összehasonlításra.

A mély tanulásmodell felülmúlja az alapmodelleket az ármozgás előrejelzésében becslési pontosság szempontjából. Az eredmények az ajánlatok szimulálása alapján a kereskedési mennyiségen múlnak. Amennyiben a napi kereskedési mennyiség mindössze 0,16% -át kereskedjük, akkor az "eladni egyszerre" stratégia meghaladja a mély tanulás alapú modellt, ha a napi teljes mennyiség 1,62%-át kereskedjük, akkor a mély tanulási modell érte el a legjobb eredményt, és ha a teljes napi mennyiség 4% -át kereskedjük, akkor az "egyenlő méretű megrendelések" stratégia felülmúlja a mély tanulás alapú modellt.

Dolgozatomban vizsgálom egy Q-learning-alapú megközelítés lehetőségét is a probléma megoldására. Ez a módszer elméletben képes lehet azonosítani az optimális kereskedési mennyiségeket.

Letölthető fájlok

A témához tartozó fájlokat csak bejelentkezett felhasználók tölthetik le.