التعلم المعزز العميق لصناعة سوق العملات المشفرة

الملخص

تعرض الورقة إطارًا للتعلم المعزز العميق لصناعة سوق العملات المشفرة، يتعلم فيه الوكلاء إدارة المخزون أثناء التفاعل مع بيئة تداول محاكاة. وتمثل البيئة مشاهدات السوق باستخدام بيانات دفتر أوامر محددة السعر وإحصاءات وصول تدفق الأوامر. وتعمل خوارزميات تدرج السياسة بوصفها الوكلاء، فيما تقرّب شبكة عصبية أمامية سياساتهم أو دوال القيمة.

تقارن التجربة دالتي مكافأة وتقيّم مجموعات الوكلاء والمكافآت باستخدام عوائد التداول اليومية والمتوسطة. ويعرض المؤلفون الإطار بوصفه وسيلة لمعالجة مشكلة التحكم العشوائي في المخزون التي يواجهها صناع السوق. ولا يحدد الوصف المقدم الخوارزميات المعينة أو تعريفات المكافآت أو مجموعة البيانات أو النتائج الرقمية، لذا لا يثبت انتقال الأداء إلى الأسواق الفعلية أو إلى ظروف سوقية أخرى.

الأفكار الرئيسية

• يطبق الإطار التعلم المعزز العميق على صناعة سوق العملات المشفرة.
• يرصد الوكلاء معلومات دفتر أوامر محددة السعر وإحصاءات وصول تدفق الأوامر.
• تتفاعل أساليب تدرج السياسة مع بيئة السوق باستخدام شبكة عصبية أمامية.
• تُقارن دالتا مكافأة باستخدام عوائد التداول اليومية والمتوسطة.
• التطبيق المعلن هو التحكم العشوائي في مخزون صناع السوق، لكن الوصف المقدم لا يتضمن تفاصيل التنفيذ وانتقال الأداء.

الوسوم

# Deep Reinforcement Learning in Cryptocurrency Market Making


# Deep Reinforcement Learning in Cryptocurrency Market Making









This paper sets forth a framework for deep reinforcement learning as applied to market making (DRLMM) for cryptocurrencies. Two advanced policy gradient-based algorithms were selected as agents to interact with an environment that represents the observation space through limit order book data, and order flow arrival statistics. Within the experiment, a forward-feed neural network is used as the function approximator and two reward functions are compared. The performance of each combination of agent and reward function is evaluated by daily and average trade returns. Using this DRLMM framework, this paper demonstrates the effectiveness of deep reinforcement learning in solving stochastic inventory control challenges market makers face.

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.