Apresentando o MarS: Um Novo Simulador de Mercado Financeiro

Modelos generativos são feitos pra imitar os efeitos realistas de diferentes ações em várias situações. Eles são usados pra tudo, desde escrever textos até criar efeitos visuais. Embora tenha muita pesquisa rolando pra criar simuladores úteis pra cenários do mundo real, o uso de modelos generativos especificamente pra ambientes virtuais como Mercados Financeiros ainda não foi totalmente explorado. Nesses mercados, modelos generativos podem imitar como diferentes comportamentos afetam o mercado, permitindo que os usuários pratiquem estratégias sem correr riscos financeiros de verdade. Essas simulações dependem de dados estruturados de ordens de negociação, tornando-as o mais realistas possível.

A gente propõe um novo modelo chamado Large Market Model (LMM), que funciona como uma base pra simular mercados financeiros. Ele foca em gerar dados de ordens em um nível detalhado, parecido com como modelos de linguagem geram texto. O motor de Simulação do mercado financeiro, chamado MARS, usa o LMM pra criar cenários realistas e interativos de negociação. Os principais objetivos desse trabalho incluem examinar como o LMM se adapta em ambientes financeiros, verificar se o MarS gera simulações realistas, equilibrar o controle sobre os dados gerados com o impacto no mercado e mostrar as possíveis aplicações do MarS.

A pesquisa pra criar simulações de ambientes do mundo real é ampla, mas a aplicação de modelos generativos em mundos virtuais como finanças não é tão comum. Mercados financeiros são um ótimo exemplo desse tipo de ambiente virtual. Usando modelos generativos, conseguimos replicar como diferentes ações financeiras afetam o mercado. Isso permite que os usuários explorem várias situações e desenvolvam estratégias de negociação sem sofrer perdas financeiras. Além disso, ajuda a gerar grandes conjuntos de dados pra treinar outros sistemas inteligentes em finanças.

O núcleo dessa simulação se baseia em dados específicos e estruturados dos mercados financeiros, que incluem ordens, conjuntos de ordens e o Livro de Ordens (LOB). No contexto financeiro, certos comportamentos e tendências podem ser melhor compreendidos através de ordens de negociação do que apenas dados textuais. Acreditamos que a geração de ordens e dados associados será semelhante ao funcionamento da modelagem de linguagem no ambiente digital. Assim, apresentamos o LMM pra replicar o sucesso visto com modelos de linguagem, mas no setor financeiro.

O MarS foi projetado pra atender às necessidades únicas das simulações de mercados financeiros, focando nos efeitos das ordens de negociação e oferecendo saídas controláveis. Os principais objetivos incluem:

1. Avaliação da Lei de Escala: Avaliar como o LMM se sai em função do aumento de tamanho e escala de dados.
2. Avaliação de Realismo: Verificar se as simulações geradas pelo MarS são realistas o suficiente para tarefas práticas de finanças.
3. Geração Controlada e Impacto no Mercado: Analisar a troca entre a geração de ordens controladas e o impacto que essas ordens têm no mercado.
4. Aplicações Futuras: Mostrar o que o MarS pode fazer em várias aplicações.

Por anos, muitos no campo financeiro têm buscado ativamente usar métodos de IA. Assim que um novo algoritmo de IA é validado em cenários tradicionais, especialistas em finanças adaptam essas técnicas pra desenvolver ferramentas específicas para tarefas financeiras. No entanto, não muitos métodos de IA foram desenvolvidos pra lidar com os desafios únicos das finanças. O MarS é o primeiro modelo a aproveitar totalmente aspectos fundamentais dos mercados financeiros e a integrar tecnologia de IA especializada, atuando como uma ferramenta unificada pra uma gama de tarefas financeiras. Acreditamos que o MarS pode mudar significativamente várias áreas dentro dos mercados financeiros.

Embora as possíveis aplicações do MarS sejam amplas, destacamos quatro casos principais:

1. Ferramenta de Previsão: O MarS cria ordens futuras com base nos dados atuais de ordens e no LOB, ajudando a prever movimentos de mercado.
2. Sistema de Detecção: Prevendo várias trajetórias de mercado, o MarS pode identificar riscos que podem não estar claros a partir dos dados presentes.
3. Plataforma de Análise: O MarS responde a muitos cenários de "e se", fornecendo um ambiente realista pra avaliar impactos de mercado.
4. Ambiente de Treinamento de Agentes: A natureza realista e responsiva do MarS permite o treinamento de agentes de aprendizado por reforço, demonstrado através de cenários de execução de ordens.

As principais contribuições desse trabalho são:

• Criar um modelo de base generativa como uma nova abordagem pra simular mercados financeiros.
• Projetar o MarS especificamente pra atender às exigências de modelagem financeira e mostrar suas capacidades.
• Apresentar aplicações práticas do MarS e destacar seu potencial para a indústria.

#Visão Geral do MarS

O MarS é impulsionado pelo LMM, que foi treinado usando dados históricos dos mercados financeiros em nível de ordens. Durante simulações em tempo real, o LMM gera sequências de ordens com base em várias condições, incluindo ordens de entrada do usuário, descrições vagas de cenários e situações atuais do mercado. As ordens geradas, combinadas com as interações dos usuários, são processadas em uma casa de compensação simulada pra criar tendências de mercado detalhadas. A adaptabilidade do LMM permite que o MarS atenda a várias aplicações, como previsão, sistemas de detecção, plataformas de análise e ambientes de treinamento.

#Design do MarS

Pra criar um sistema de simulação verdadeiramente realista, o MarS deve se destacar em três áreas principais: alta resolução, controlabilidade e interatividade.

Alta resolução se refere à capacidade do MarS de replicar com precisão os comportamentos detalhados dos mercados financeiros. Usamos ordens de negociação e lotes como a base de nossas simulações. Essas ordens representam as ações dos participantes do mercado e nos permitem recriar os movimentos do mercado seguindo as regras de correspondência de ordens estabelecidas. Esse foco detalhado é essencial pra criar simulações que não apenas parecem reais, mas refletem as condições reais do mercado.

Controlabilidade envolve dar aos usuários a flexibilidade de simular uma variedade de cenários de mercado. Seja avaliando tendências de mercado, identificando riscos ou otimizando estratégias de negociação, o MarS permite a exploração de muitas condições de mercado possíveis. Esse recurso é particularmente útil pra testes de estresse, onde cenários de mercado diversos e raros precisam de modelagem precisa.

Interatividade também é importante, permitindo que os usuários se envolvam diretamente com o mercado simulado. Essa interação possibilita a avaliação dos impactos no mercado, o que é crucial pra avaliar estratégias de negociação, gerenciar riscos e informar decisões regulatórias. Ao interagir com as simulações, os usuários podem ter uma visão mais profunda de como suas ações podem afetar os resultados em um ambiente livre de riscos.

Ordens de negociação - diretrizes de investidores pra comprar ou vender instrumentos financeiros - contêm as informações mais precisas sobre os comportamentos do mercado. Ao combinar sequências históricas de ordens com as regras relevantes, conseguimos recriar com precisão as atividades de mercado passadas. Modelar e gerar efetivamente sequências de ordens de negociação nos permite criar simulações de mercado altamente realistas, que é um dos principais objetivos do MarS.

Além do realismo, uma simulação de mercado também deve ser:

• Controlável: Capaz de gerar cenários de mercado variados e realistas, incluindo eventos raros, pra tarefas como testes de estresse e otimização de estratégias.
• Interativa: Permitindo o engajamento do usuário com o mercado simulado pra avaliar impactos, o que é crucial pra analisar estratégias de negociação e gerenciar riscos sistêmicos.

#Geração Condicional de Ordens de Negociação

Um clip de ordem é definido como uma sequência de ordens de negociação. Tanto a controlabilidade quanto a interatividade são alcançadas através de um processo de geração condicional. No MarS, a lista completa de condições inclui quatro componentes:

1. DES TEXT: Esta é uma descrição vaga do cenário de mercado que o usuário deseja (por exemplo, "aumento de preço" ou "crash do mercado") e ajuda a fornecer controle.
2. Ordens Interativas: Estas são ordens injetadas pelo usuário após uma determinada ordem ter sido gerada, atendendo ao recurso interativo do MarS.
3. Ordens Anteriores: Isso representa ordens reais recentes usadas como base para gerar as futuras, o que é essencial para aplicações práticas do MarS.
4. Regras de Correspondência: Estas regras se aplicam às ordens de negociação, garantindo que o MarS reflita as características específicas de mercados financeiros individuais.

Usando essas condições, a geração dinâmica de ordens condicionais modela efetivamente a probabilidade de cada ordem não interativa. Essas condições podem ser modificadas para diferentes cenários do MarS.

#Large Market Model para Modelagem de Mercados Financeiros

#Design da Estrutura do LMM

O LMM apresenta uma arquitetura robusta que combina duas estratégias de modelagem: Modelagem de Sequência de Ordens e Modelagem de Sequência de Lote de Ordens. Esses dois métodos são fundidos em um modelo de conjunto pra aproveitar suas forças enquanto abordam a complexidade das simulações de mercados financeiros.

Modelagem de Sequência de Ordens foca em capturar movimentos de mercado e entender o impacto de ordens individuais. Usamos um transformador causal na sequência de ordens, codificando cada ordem junto com suas informações do LOB. Esse método mantém o contexto sequencial de cada ordem dentro das atividades de mercado mais amplas, permitindo a geração de sequências de ordens que refletem com precisão a dinâmica de negociação.

Modelagem de Sequência de Lote de Ordens observa padrões mais amplos ao longo do tempo, como minutos ou horas. Usamos um transformador autorregressivo pra modelar esses padrões agregados, garantindo que os sinais de controle em cada etapa temporal reflitam padrões de séries temporais realistas. Ordens dentro de um intervalo de tempo definido são agrupadas em lotes e estruturadas pra representar o comportamento geral do mercado durante aquele período.

As duas abordagens de modelagem se juntam em um modelo de conjunto, melhorando a modelagem e geração de mercado. Essa abordagem equilibra o tratamento detalhado de ordens individuais enquanto captura a dinâmica geral do mercado.

#Interface de Geração de Sinais Detalhados

Pra melhorar a controlabilidade do MarS, introduzimos uma interface de geração de sinais detalhados, que traduz descrições vagas ou configurações gerais em sinais de controle detalhados. Isso é alcançado usando um método de recuperação baseado em histórico pra gerar sinais de controle precisos com base em entradas vagas. Esses sinais orientam o modelo de conjunto, garantindo que as simulações sigam padrões de mercado realistas enquanto se alinham com as condições definidas pelo usuário.

#Lei de Escala no Large Market Model

Ao projetar o LMM, implementamos transformadores autorregressivos tanto para a sequência de lote de ordens quanto para a sequência de ordens causais. Esses componentes utilizam técnicas comuns de pré-treinamento, semelhantes às aplicadas em modelagem de linguagem e visão.

Pra avaliar a capacidade de escala do LMM, analisamos seu desempenho em diferentes tamanhos de dados e dimensões do modelo. Os resultados mostraram que à medida que aumentam tanto o tamanho dos dados quanto o modelo, o desempenho do LMM melhora significativamente. Essa descoberta se alinha com as leis de escala em outros modelos fundamentais, sugerindo que o potencial do LMM pode ser ainda mais aprimorado utilizando conjuntos de dados maiores e mais recursos computacionais.

Atualmente, nossa implementação só aproveita uma pequena parte dos dados financeiros históricos disponíveis devido a limitações de recursos. No entanto, o excedente de dados nas finanças apresenta um grande potencial para melhorias futuras. Aqui, o MarS atua como um meio de aproveitar esses dados, revelando oportunidades significativas pra simulações de mercado mais ricas e precisas.

#MarS - Geração de Ordens com Casa de Compensação Simulada

Uma vez que o LMM é pré-treinado, ele pode gerar fluxos de ordens realistas para simulações de mercado. Uma casa de compensação simulada combina as ordens geradas com interações do usuário em tempo real. Depois de gerar uma ordem, a casa de compensação aguarda ordens interativas, combinando-as sequencialmente com as geradas e alimentando os resultados de volta no LMM pra mais geração de ordens.

Encontrar um equilíbrio entre o impacto no mercado e os sinais de controle é crítico pra simulações realistas. Seguimos dois princípios orientadores pra garantir uma troca realista:

1. Modelagem Baseada em Fatos Reais: Em cada etapa, o modelo de lote de ordens usa dados recentes pra determinar o próximo lote de ordens.
2. Selecionando o Melhor entre Todos os Futuros: Múltiplos lotes de ordens previstos são criados, e o que melhor se alinha ao sinal de controle detalhado é selecionado, permitindo geração de lote de ordens controlada.

O transformador a nível de ordens, treinado em ordens históricas, aprende naturalmente o impacto de mercado das ordens subsequentes. Ao mesmo tempo, o modelo de conjunto influencia indiretamente a geração de ordens, alinhando-a ao lote de ordens gerado.

#Experimentos

Essa seção avalia a capacidade do MarS de oferecer simulações realistas, controláveis e interativas. Primeiro, avaliamos o realismo comparando as propriedades estatísticas de dados históricos com dados simulados, mostrando que o MarS pode replicar comportamentos-chave do mercado. Em seguida, avaliamos a controlabilidade gerando cenários sob condições predefinidas, críticas pra tarefas como testes de estresse. Depois, examinamos a interatividade do MarS usando um agente específico, demonstrando como interações realistas do usuário podem afetar níveis de ordens. Por fim, exploramos o equilíbrio entre controle e interação, medindo quão bem o MarS pode produzir cenários controlados refletindo o impacto do mercado das entradas dos usuários.

Ao longo de nossos experimentos, definimos "replay" como a utilização de dados de mercado históricos dentro do MarS pra validar a simulação contra eventos do mundo real.

#Simulações Realistas

Pra medir o realismo das simulações do MarS, comparamos dados simulados com benchmarks estabelecidos derivados de dados históricos de mercado. Esses benchmarks servem como checagens pra garantir que nossas simulações espelhem comportamentos reais de mercado.

As principais descobertas dessa análise incluem:

• À medida que os intervalos se estendem de 1 a 5 minutos, a distribuição dos retornos logarítmicos se torna mais semelhante a uma distribuição normal.
• A autocorrelação dos retornos logarítmicos diminui rapidamente com intervalos mais longos.
• Dados simulados apresentam alta autocorrelação de volatilidade ao longo do tempo.

Em resumo, o MarS replica com sucesso comportamentos reconhecidos encontrados em dados históricos, demonstrando que pode produzir simulações de mercado altamente realistas relevantes para aplicações práticas.

#Simulações Controláveis

Mostramos as capacidades de controle do MarS gerando cenários que refletem padrões históricos reais. As ordens são geradas com base em sinais orientadores dos dados de replay, integrando o modelo de ordens dentro de um modelo de conjunto. Nossos achados indicam que o modelo de conjunto se alinha de perto com os dados de replay, mostrando melhor correlação do que o modelo de ordens isoladamente.

#Dinâmicas de Mercado Interativas

Pra entender os impactos no mercado, o MarS permite interação através de dados detalhados a nível de ordens. Usando uma estratégia de agente específica pra executar uma grande negociação, ilustramos como o MarS pode imitar os efeitos reais de negociação nos preços do mercado. Os resultados indicam que o MarS pode modelar com precisão as repercussões de estratégias de negociação nos preços, oferecendo insights valiosos para os participantes do mercado.

#Troca entre Controle e Interação

Avaliamos a capacidade do MarS de equilibrar controle e interação usando dados de replay ao longo de um período definido de mudança de preço. Quando o controle é priorizado, o modelo segue de perto os dados de replay. A introdução de interação leva a uma diminuição na precisão, permitindo interações mais realistas em vários cenários.

No geral, nossos experimentos validam que o MarS é realista, controlável e interativo, estabelecendo-o como uma ferramenta prática de simulação de mercados financeiros.

#Aplicações Potenciais do MarS

O MarS serve como base pra várias tarefas financeiras, mostrando sua eficácia em resolver problemas de forma independente e proporcionando uma plataforma de simulação para outras aplicações. As principais áreas de aplicação incluem previsão, detecção de anomalias no mercado, análise de impacto e criação de ambientes para treinamento de agentes.

#Previsão

Uma tarefa significativa em finanças é prever tendências de mercado. Isso requer modelos que capturem e reflitam os comportamentos do mercado com precisão. Modelos tradicionais de previsão geralmente dependem de métodos diretos. Em contraste, o MarS usa suas simulações pra prever movimentos de mercado com base em dados históricos.

#Detecção de Manipulação de Mercado

A conformidade regulatória, especialmente em relação à manipulação de mercado, continua crítica. Métodos tradicionais pra detectar práticas de negociação ilegais requerem tempo e esforço consideráveis. Ao analisar quedas na realidade da simulação, o MarS pode ajudar a identificar potenciais eventos de manipulação de mercado.

#Análise de "E Se"

Um tópico crítico em finanças é analisar os potenciais impactos das ações de negociação nos preços do mercado, o que é vital pra formular estratégias eficazes. Em vez de depender apenas de suposições, o MarS oferece uma maneira de explorar esses impactos gerando dados sob várias condições, melhorando o processo de tomada de decisão.

#Ambiente de Aprendizado por Reforço

Devido às suas capacidades realistas e interativas, o MarS serve como um ambiente ideal de treinamento para agentes de aprendizado por reforço. Esses agentes podem aprender e adaptar suas estratégias de negociação de forma eficaz, sem enfrentar riscos financeiros reais, mostrando a versatilidade do MarS.

#Conclusão

Em conclusão, o MarS representa um passo significativo em simular mercados financeiros. O desenvolvimento do Large Market Model serve como uma base pra gerar dados de ordens de negociação realistas, oferecendo insights valiosos e potenciais aplicações em vários cenários financeiros. Ao focar nas exigências únicas dos mercados financeiros, o MarS fornece uma ferramenta que melhora a tomada de decisão, treinamento e análise na indústria financeira.

À medida que os pesquisadores continuam a explorar as vastas paisagens de dados disponíveis nas finanças, o MarS se apresenta como uma via promissora pra simulações de mercado mais precisas e complexas, abrindo caminho pra uma melhor compreensão e estratégias financeiras.