arXiv cs.AI· Guanghao Wu, Zhuo Cai, Zhidong Li, Shoujin Wang·· 3 天前AI 评分22
SOFA：交易商适应后订单流干预何时以及如何生效
When and How Order-Flow Interventions Work After Dealers Adapt
AI 导读
研究提出 SOFA（State-aligned Order-Flow Allocation）订单流合约，由 State Scorer、Commitment Scheduler 和 Quote-to-Flow Allocator 三部分组成，通过配对再适应协议在 ABIDES 市场的 20 个独立训练的交易商群体中测试。
正文 · AI 翻译
摘要：学习型做市商可能会长期维持较宽的报价，从而提高客户的交易成本。交易场所可以将更多订单路由到更紧的报价，但宽报价可能反映真实风险，而且一旦做市商适应，端到端比较无法说明某条规则为何有效：是因为它干预更多、选择更好的时机、提前公告，还是奖励了正确的报价。我们提出 SOFA（State-aligned Order-Flow Allocation，状态对齐的订单流分配），一种公开订单流合约，包含三部分：State Scorer 根据滞后的公开数据对市场状态进行排序，Commitment Scheduler 在做市商报价前公告有预算约束的干预强度，Quote-to-Flow Allocator 将固定客户需求中有限的一部分份额转向更紧的报价。我们的配对再适应协议让相互竞争的规则具有相同的干预强度，只是重新安排时机，让做市商从共享检查点重新适应每条规则，并一次断开一个环节。在 ABIDES 市场中 20 个独立训练的做市商群体上，将干预集中在评分排序为低风险的状态，相对于随机时机，在每个群体中都降低了低风险执行成本，平均降低 0.040 tick，而滞后的公告或断开的报价到订单流环节会提高这一成本。在主要设定中，收益以高风险交易为代价，其成本上升，因此状态对齐只有在交易场所对低风险成本的权重是高风险的 1.38 倍以上时才有回报。我们的代码可在 this https URL 获取。
| Subjects: | Artificial Intelligence (cs.AI) |
| Cite as: | arXiv:2610.18158 [cs.AI] |
| （或 arXiv:2610.18158v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.18158 arXiv 颁发的 DOI 通过 DataCite（待注册） |
Submission history
From: Guanghao Wu [view email]
[v1]
Tue, 13 Oct 2026 11:02:13 UTC (1,097 KB)
来源：arXiv cs.AI · arxiv.org