Kausale Bayes-Analyse für Reinforcement Learning mit Kryptowährungen

Zusammenfassung

Die Arbeit stellt CausalReinforceNet vor, einen Rahmen, der kausale Analyse in Entscheidungen des Reinforcement Learnings für den Handel mit Kryptowährungen einbeziehen soll. Sie kombiniert Bayes’sche und dynamische Bayes-Netzwerkverfahren mit Reinforcement Learning, damit Agenten bei der Auswahl von Handelsgeschäften Marktbeziehungen berücksichtigen können. Die Studie wendet den Rahmen auf Binance Coin, Ethereum, Litecoin, Ripple und Tether an.

Die Autoren entwickeln zwei Agenten mit unterschiedlichen Reinforcement-Learning-Algorithmen und vergleichen sie mit Buy-and-Hold sowie einem grundlegenden RL-Modell. Sie berichten, dass der kausale Rahmen eine höhere Rentabilität als beide Vergleichsansätze erzielt, wobei seine Wirksamkeit bei den untersuchten Kryptowährungen variiert. Die Zusammenfassung nennt weder den Stichprobenzeitraum und Transaktionskosten noch risikobereinigte Ergebnisse, das Validierungsdesign oder die Frage, ob die Befunde außerhalb der bewerteten Vermögenswerte gelten. Die berichtete Rentabilität beschreibt daher die Vergleiche der Studie und belegt keine allgemeine Handelsleistung.

Kernaussagen

• CausalReinforceNet kombiniert Bayes’sche und dynamische Bayes-Netzwerkverfahren mit Reinforcement Learning.
• Der Rahmen wird anhand von fünf bekannten Kryptowährungen bewertet.
• Zwei Agenten verwenden unterschiedliche Reinforcement-Learning-Algorithmen.
• Zu den berichteten Vergleichsansätzen gehören Buy-and-Hold und ein grundlegendes Reinforcement-Learning-Modell.
• Die berichtete Rentabilität variiert zwischen den Kryptowährungen; die vorliegende Beschreibung lässt wichtige Einzelheiten der Auswertung offen.

Schlagwörter

# 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.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.