使用LSTMs执行大股票订单的最优控制策略
摘要：在这篇论文中，我们使用真实数据和Almgren和Chriss模型中的一般幂律来模拟大型股票交易订单的执行。我们考虑的示例是在限价委托盘上，在单一交易日内进行的大额头寸的平仓交易。由于大额订单会在委托盘上行走，即消耗最佳买卖价之外的委托盘流动性，因此会产生交易成本。我们用与交易量成比例的幂律来建模委托盘，因此交易成本与交易量的幂反比。我们通过训练一个长短期记忆（LSTM）神经网络来最小化执行过程中累计的交易成本，从而获得一种策略近似。使用历史的S&P100价格和交易量数据，我们评估了我们的LSTM策略与基于时间加权平均价格（TWAP）和交易量加权平均价格（VWAP）的策略相比。对于单只股票的执行，LSTM的输入是涵盖所有100只股票的数据横截面，包括价格、交易量、TWAP和VWAP。通过使用这个数据横截面，LSTM应该能够利用股票间的交易量和价格的相互依赖关系，从而减少当天的交易成本。我们在S&P100数据上的测试表明，事实上确实如此，因为我们的LSTM策略始终优于基于TWAP和VWAP的策略。
作者：A. Papanicolaou, H. Fu, P. Krishnamurthy, B. Healy, F. Khorrami
论文ID：2301.09705
分类：Computational Finance
分类简称：q-fin.CP
提交时间：2023-06-16