Mean Field Game ε-Nash equilibria for partially observed optimal execution problems in finance
Notice bibliographique
Résumé
Partially observed Mean Field Game (PO MFG) theory was introduced and developed in (Caines and Kizilkale, 2013, 2014, ŗen and Caines 2014, 2015), where it is assumed the major agent's state is partially observed by each minor agent, and the major agent completely observes its own state. Accordingly, each minor agent can recursively estimate the major agent's state, compute the system's mean field and thence generate the feedback control which yields the ε-Nash property. This PO MM LQG MFG theory was further extended in recent work (Firoozi and Caines, 2015) to major-minor LQG systems in which both the major agent and the minor agents partially observe the major agent's state. The existence of ε-Nash equilibria, together with the individual agents' control laws yielding the equilibria, were established wherein each minor agent recursively generates (i) an estimate of the major agent's state, and (ii) an estimate of the major agent's estimate of its own state (in order to estimate the major agent's control feedback), and hence generates a version of the system's mean field. In the current work, PO MM LQG MFG theory is applied to the optimal execution problem in the financial sector where an institutional investor, interpreted as a major agent, has partial observations of its own inventories, and high frequency traders (HFTs), interpreted as minor agents, have partial observations of the major agent's inventories. The objective for each agent is to maximize its own wealth and to avoid the occurrence of large execution prices, large rates of trading and large trading accelerations which are appropriately weighted in the agent's performance function. PO LQG MFG theory is utilized to establish the existence of ε-Nash equilibria and a simulation example is provided.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».