Deep Reinforcement Learning für Market Making mit Kryptowährungen

Zusammenfassung

Die Arbeit skizziert ein Framework für Deep Reinforcement Learning im Market Making mit Kryptowährungen. Dabei lernen Agenten, ihren Bestand zu steuern, während sie mit einer simulierten Handelsumgebung interagieren. Die Umgebung bildet Marktbeobachtungen anhand von Limit-Orderbuchdaten und Statistiken zu Orderflow-Ankünften ab. Policy-Gradient-Algorithmen dienen als Agenten, und ein Feedforward-Neuronales Netz approximiert ihre Policies oder Wertfunktionen.

Das Experiment vergleicht zwei Belohnungsfunktionen und bewertet Kombinationen aus Agenten und Belohnungen anhand täglicher und durchschnittlicher Handelserträge. Die Autoren stellen das Framework als Ansatz für das stochastische Bestandssteuerungsproblem von Market Makern dar. Die vorliegende Beschreibung nennt weder die konkreten Algorithmen und Belohnungsdefinitionen noch den Datensatz oder numerische Ergebnisse. Daher lässt sich daraus nicht ableiten, wie sich die Leistung auf den Live-Handel oder andere Marktbedingungen überträgt.

Kernaussagen

• Das Framework wendet Deep Reinforcement Learning auf das Market Making mit Kryptowährungen an.
• Die Agenten beobachten Limit-Orderbuchdaten und Statistiken zu Orderflow-Ankünften.
• Policy-Gradient-Verfahren interagieren mithilfe eines Feedforward-Neuronalen Netzes mit der Marktumgebung.
• Zwei Belohnungsfunktionen werden anhand täglicher und durchschnittlicher Handelserträge verglichen.
• Als Anwendungsfall wird die stochastische Bestandssteuerung für Market Maker genannt; die Beschreibung lässt jedoch Details zur Implementierung und Übertragbarkeit aus.

Schlagwörter

# 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.

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.