Estimating permanent price impact via machine learning
利用机器学习估计永久价格冲击AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确比较 VAR 并研究平稳马尔可夫数据的动态冲击估计，但未说明高频采样背景。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
利用机器学习估计永久价格冲击
- 研究问题
- 价格冲击函数存在非线性时，常用 VAR 方法会怎样误导永久价格冲击推断，如何构造更灵活的动态估计方法？
- 方法与思路
- 作者修改强化学习框架，以迭代学习规则估计永久价格冲击；摘要明确要求数据平稳且具有马尔可夫性质。
- 材料陈述的贡献
- 摘要称，非线性价格冲击下 VAR 可能错设并产生冲突或错误推断，所提方法能够捕捉非线性并在展示中得到正确推断。
- 阅读关注点
- 应核对永久冲击的定义、状态变量与马尔可夫设定、迭代规则的收敛依据，以及判断推断正确的基准和证据。
- 阅读边界
- 仅据所给出版社摘要，不能将正确推断视为普遍保证；摘要未说明数据频率、样本、识别条件或平稳性失效后的适用性。
原文摘要
In this paper, we show that vector auto-regression (VAR) models, which are commonly used to estimate permanent price impact, are misspecified and can produce conflicting and incorrect inferences when the price impact function is nonlinear. We propose an alternative method to estimate permanent price impact by modifying a reinforcement learning (RL) framework. Our approach assumes the data is stationary and Markov, but is otherwise unrestrictive. We obtain empirical estimates for our model using an iterative learning rule and demonstrate that our model captures nonlinearities and makes correct inferences.