Reinforcement Learning for Market Making in a Multi-agent Dealer Market
创建于 更新于
摘要
本报告构建了一个多代理经纪商市场模拟器，训练强化学习（RL）市场做市商代理以研究其在不同竞争环境、奖励设计和市场价格趋势下的行为。研究表明RL代理能学习竞争对手报价策略，通过买卖价偏斜（skewing）智能管理库存风险，并根据价格漂移维持相应的正负库存。同时设计并测试了多种风险厌恶的奖励函数，有效降低库存PnL波动，增强代理稳健性，为复杂市场做市战术的模拟和评估提供了重要工具 [pidx::0][pidx::1][pidx::5][pidx::6][pidx::7]。
