تحليل بايزي سببي للتعلم المعزز في تداول العملات المشفرة

الملخص

تقدم الورقة إطار «CausalReinforceNet» لإدماج التحليل السببي في قرارات التعلم المعزز لتداول العملات المشفرة. وتجمع تقنيات بايزية وتقنيات الشبكات البايزية الديناميكية بالتعلم المعزز، بهدف مساعدة الوكلاء على استنتاج العلاقات السوقية عند اختيار الصفقات. وتطبق الدراسة الإطار على باينانس كوين وإيثيريوم ولايتكوين وريبل وتيذر.

يبني المؤلفون وكيلين باستخدام خوارزميتين مختلفتين للتعلم المعزز، ويقارنونهما بالشراء والاحتفاظ وبنموذج RL أساسي. ويفيدون بأن الإطار السببي يحقق ربحية أعلى من نهجي المقارنة، مع اختلاف فعاليته بين العملات المشفرة المدروسة. ولا يحدد الملخص فترة العينة أو تكاليف المعاملات أو النتائج المعدلة حسب المخاطر أو تصميم التحقق، ولا يوضح ما إذا كانت النتائج تنطبق خارج الأصول التي خضعت للتقييم. لذا تصف الربحية المذكورة مقارنات الدراسة، ولا تثبت أداءً عامًا للتداول.

الأفكار الرئيسية

• يجمع «CausalReinforceNet» تقنيات بايزية وتقنيات الشبكات البايزية الديناميكية بالتعلم المعزز.
• يُقيَّم الإطار على خمس عملات مشفرة بارزة.
• يستخدم وكيلان خوارزميتين مختلفتين للتعلم المعزز.
• تشمل المقارنات المذكورة الشراء والاحتفاظ ونموذجًا أساسيًا للتعلم المعزز.
• تختلف الربحية المذكورة بين العملات المشفرة، ويحذف الوصف المتاح تفاصيل تقييم أساسية.

الوسوم

# 2310.09462


# A Framework for Empowering Reinforcement Learning Agents with Causal Analysis: Enhancing Automated Cryptocurrency Trading









Despite advances in artificial intelligence-enhanced trading methods, developing a profitable automated trading system remains challenging in the rapidly evolving cryptocurrency market. This research focuses on developing a reinforcement learning (RL) framework to tackle the complexities of trading five prominent altcoins: Binance Coin, Ethereum, Litecoin, Ripple, and Tether. To this end, we present the CausalReinforceNet~(CRN) framework, which integrates both Bayesian and dynamic Bayesian network techniques to empower the RL agent in trade decision-making. We develop two agents using the framework based on distinct RL algorithms to analyse performance compared to the Buy-and-Hold benchmark strategy and a baseline RL model. The results indicate that our framework surpasses both models in profitability, highlighting CRN's consistent superiority, although the level of effectiveness varies across different cryptocurrencies.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.