#paper, DOI: 10.1109/LCSYS.2022.3166446, Deep Reinforcement Learning for Market Making Under a Hawkes Process-Based Limit Order Book Model ,这篇论文“Deep Reinforcement Learning for Market Making Under a Hawkes Process-Based Limit Order Book Model”研究了一种基于深度强化学习（DRL）的做市策略。通过使用多元Hawkes过程模拟器训练控制器，解决了在限价订单簿（LOB）下的最优做市问题。研究模型在简化的LOB框架下，考虑了订单到达率对市场做市商控制策略的动态响应，确保了模型的可操作性。DRL策略在收益和风险管理方面表现出色，优于传统的做市基准策略，如Avellaneda-Stoikov模型和其他线性策略。展示了在基于Hawkes过程的LOB模型下使用DRL进行做市的可行性，并取得了优异的实验结果。特别是DRL策略在收益和风险管理方面表现出色，具有更高的均值收益、更有利的夏普比率和较低的库存风险。未来研究可以考虑更复杂的做市模型，或者基于其他类型核函数的Hawkes过程，以及使用对抗性强化学习来提高模型在不确定性条件下的泛化能力和鲁棒性。