MARC

 008250123s2024        us                              c    eng  d
■001000017163344
■00520250211152656
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384050803
■035    ▼a(MiAaPQ)AAI31487477
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aWheeler,  Aaron.▼0(orcid)0000-0003-0077-0913
■24510▼aGenerative  Models  for  Financial  Market  Simulation
■260    ▼a[Sl]▼bCornell  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a140  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  B.
■500    ▼aAdvisor:  Varner,  Jeffrey.
■5021  ▼aThesis  (Ph.D.)--Cornell  University,  2024.
■520    ▼aSimulation  has  become  an  essential  tool  across  various  scientific  disciplines  for  exploring  complex  and  dynamic  phenomenon.  One  area  that  has  attracted  significant  research  interest  is  the  modeling  of  financial  markets.  The  macroscopic  modeling  of  financial  time  series,  first  established  over  a  century  ago  with  the  development  of  Brownian  motion,  is  typically  formulated  as  an  ad  hoc  stochastic  process.  However,  these  explicit  mathematical  formulations  often  struggle  to  replicate  various  empirical  regularities  of  financial  time  series.  Empirical  studies  have  shown  that  the  seemingly  random  nature  of  financial  time  series  share  several  non-trivial  statistical  properties  that  are  common  across  assets,  markets,  and  time  periods.  Researchers  have  linked  the  emergent  properties  and  the  highly  nonlinear,  interconnected  dynamics  exhibited  by  markets  to  properties  of  complex  adaptive  systems,  which  have  been  successfully  modeled  using  bottom-up  approaches.The  aim  of  this  work  was  to  develop  a  high-fidelity  market  simulation  platform  for  interactive  strategy  evaluation  and  all-purpose  scenario  generation.  Toward  this  aim,  we  made  three  key  contributions:  (1)  the  development  of  a  framework  for  validating  and  benchmarking  models,  (2)  a  baseline  implementation  of  a  scalable  market  environment,  and  (3)  a  deep  generative  model  for  bottom-up  market  simulation.  We  revisited  several  previously  identified  empirical  regularities  of  financial  markets  and  found  that  many  still  accurately  describe  modern  markets.  These  results  informed  the  design  of  a  generalized  measure  to  evaluate  how  well  a  synthetic  time  series  captures  actual  market  dynamics-serving  as  a  criterion  for  simulation  fidelity.  Next,  we  outlined  our  approach  to  generating  financial  time  series  from  first  principles.  Using  agent-based  modeling,  we  reproduced  many  statistical  properties  of  markets  by  explicitly  incorporating  known  structural  elements  (market  microstructure)  while  making  minimal  assumptions  elsewhere-highlighting  the  importance  of  integrating  central  trading  mechanisms  to  produce  macroscopic  phenomenon.  Finally,  after  establishing  a  solid  foundation  for  the  design  and  analysis  of  simulated  market  environments,  we  addressed  the  need  for  realistic  agent  behavior  in  our  market  environment  using  data-driven  methods.  Inspired  by  the  recent  success  of  generative  large  language  models  (LLMs),  we  developed  a  single  agent  in  the  form  of  a  generative  pre-trained  transformer  (GPT)  to  replace  the  population  of  agents  used  in  prior  work.  This  new  agent  acted  as  a  responsive  order  generation  engine  within  an  interactive  discrete  event  market  simulator.  Our  results  show  that,  despite  being  trained  on  the  most  granular  data  available  (microstructure  messages),  our  model  reproduces  several  empirical  regularities  and  data  distributions  at  the  macro  scale.  Collectively,  we  have  developed  a  robust  modeling  and  evaluation  framework  that  establishes  new  benchmarks  and  represents  a  significant  step  toward  achieving  high-fidelity  interactive  market  simulation.
■590    ▼aSchool  code:  0058.
■650  4▼aComputer  science
■650  4▼aFinance
■650  4▼aEngineering
■650  4▼aComputer  engineering
■653    ▼aAgent-based  modeling
■653    ▼aComplex  systems
■653    ▼aComputational  modeling
■653    ▼aDeep  generative  models
■653    ▼aFinancial  market  simulation
■690    ▼a0984
■690    ▼a0508
■690    ▼a0537
■690    ▼a0464
■690    ▼a0501
■71020▼aCornell  University▼bChemical  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-03B.
■790    ▼a0058
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163344▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

Preview

Export

ChatGPT Discussion

AI Recommended Related Books