Stratégies d'agents pour apprendre des ordres
Dans l'étude des phénomènes financiers, les simulateurs multi-agents de marchés dirigés par les ordres sont des outils qui permettent de tester efficacement différentes hypothèses économiques. De nombreuses études se sont focalisées sur l'analyse d'agents adaptatifs réalisant un apprentissage sur les prix. Or, les prix ne sont qu'une conséquence de la correspondance d'ordres. Raisonner sur les ordres doit permettre d'anticiper les prix à venir. Dans cet article, nous montrons comment tirer parti des informations issues des carnets d'ordres telles que les meilleures limites, la taille de la fourchette des prix ou les liquidités en attente pour s'adapter plus efficacement aux offres du marché. À l'instar de B. Arthur nous utilisons des systèmes de classeurs de type LCS en montrant comment les adapter à un système multi-agents.
In the study of financial phenomena, agentbased simulator of order-driven markets are
useful tools to efficiently test economic assumptions. Several studies have been focalized on the analysis of adaptive agents based on price learning. However, prices are a consequence of matching orders. Learning orders should allow some anticipation on future prices. In this paper we show how to leverage information from the order books, such as the best limits, the bid-ask spread size or waiting liquidities to accommodate more effectively to market offerings. Like B. Arthur we focus here on the use of LCS and we show how to adapt them to multiagent systems.