Thèse soutenue

Méthodes d'apprentissage par renforcement pour les stratégies systématiques de market making

FR  |  
EN
Auteur / Autrice : Vincent Ragel
Direction : Damien ChalletNicolas Rolin
Type : Thèse de doctorat
Discipline(s) : Mathématiques appliquées
Date : Soutenance le 06/12/2024
Etablissement(s) : université Paris-Saclay
Ecole(s) doctorale(s) : École doctorale Interfaces : matériaux, systèmes, usages (Palaiseau, Essonne ; 2015-....)
Partenaire(s) de recherche : Laboratoire : Mathématiques et informatique pour la complexité et les systèmes (Gif-sur-Yvette, Essonne ; 2006-....)
Référent : CentraleSupélec
graduate school : Université Paris-Saclay. Graduate School Sciences de l'ingénierie et des systèmes (2020-....)
Entreprise : BNP Paribas
Jury : Président / Présidente : Caroline Hillairet
Examinateurs / Examinatrices : Olivier Guéant, Eyal Neumann, Matthieu Garcin
Rapporteurs / Rapporteuses : Olivier Guéant, Eyal Neumann

Résumé

FR  |  
EN

La thèse porte sur l'utilisation de l'apprentissage par renforcement pour la prise de décision du teneur de marché. Ce dernier est un acteur essentiel des marchés. Son rôle est de fournir de la liquidité en affichant des prix à l'achat et à la vente auxquels il s'engage à traiter face aux autres intervenants. Le teneur de marché se rémunère en bénéficiant d'une fourchette offre-demande. En assurant la liquidité il prend deux risques (un risque d'inventaire et un risque de sélection adverse).Cette thèse est divisée en trois parties. Premièrement, nous introduisons une modification à la structure LSTM en exploitant les propriétés statistiques de la volatilité réalisée, ce qui améliore la vitesse et la stabilité de l'apprentissage. Deuxièmement, elle utilise des réseaux neuronaux pour estimer les probabilités d'exécution, fournissant ainsi une information qui contribue à un prise de décision plus efficace. Enfin, elle démontre comment ces probabilités fournissent une représentation de faible dimension de l'état du carnet d'ordres, améliorant ainsi les performances de l'apprentissage par renforcement.