Перенос обучения для оптимального маркет-мейкинга на синтетических финансовых рынках

В высокочастотной торговле (HFT) алгоритмическая торговля стала очень популярной благодаря быстрой скорости процесса принятия решений. Маркет Мейкинг – это одна из стратегий, используемых в высокочастотной торговле, которая не только увеличивает ликвидность на рынке, но и предполагает получение прибыли благодаря разнице цен на покупку и продажу активов. Тем не менее, агенты Маркет Мейкинга сталкиваются с финансовыми рисками, связанными с внезапными колебаниями цен, когда позиция агента не равна нулю. Несмотря на успех моделей обучения с подкреплением по сравнению с другими алгоритмами Маркет Мейкинга, они требуют большего объема данных для обучения. В то же время финансовые данные торгов часто бывают ограничены или происходить из разных распределений. Чтобы решить проблему нехватки данных, в этом исследовании изучается, как перенос обучения может ускорить обучение нейронных сетей RL для оптимального решения задачи Маркет Мейкинга. В результате исследования, был сделан вывод о том что внедрение переноса обучения обучения может уменьшить количество итераций, необходимых для сходимости модели, на 50% - с 10 000 до 5 000 итераций. Модель с переносом обучения также показала лучшие результаты при тестировании.