Siu Tung Wong, Carlo Campajola · 2026 · arXiv
DOI: 10.48550/arXiv.2610.03598 · open-access PDF
강화 학습 (RL)은 복잡한 역학이 분석 전략을 얻기 어렵게 할 때 금융 최적 통제 문제를 위해 점점 더 많이 사용됩니다. 많은 해결 모델을 제공하는 재무 수학 문학이 있습니다. 균형과 제어가 학습을 평가하고 안내 할 수있는; 우리는 RL이 이러한 결과를 활용할 수 있는지 여부를 묻습니다. 우리는 분석적으로 해결 된 연속 시간 브로커 - 거래자 게임에 proximal 정책 최적화 (PPO) 에이전트를 배치합니다. PPO는 브로커를 대체하고 정보가있는 거래자와 상호 작용하는 동안 거래 속도를 선택합니다.
Machine translation (Meta M2M100); the English original follows.
Reinforcement learning (RL) is increasingly used for financial optimal-control problems when complex dynamics make analytical strategies difficult to obtain. There are financial mathematics literactures which provides many solved models whose equations and controls could evaluate and guide learning; we ask whether RL can exploit these results. We place a proximal policy optimisation (PPO) agent in an analytically solved continuous-time broker--trader game. PPO replaces the broker and chooses its trading speed while interacting with an informed trader and stochastic uninformed order flow. We de
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.03598, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange