Análisis bayesiano causal para aprendizaje por refuerzo en criptomonedas

Resumen

El artículo presenta CausalReinforceNet, un marco pensado para incorporar el análisis causal a las decisiones de aprendizaje por refuerzo en el trading de criptomonedas. Combina técnicas bayesianas y de redes bayesianas dinámicas con el aprendizaje por refuerzo, con el objetivo de ayudar a los agentes a razonar sobre las relaciones de mercado al elegir operaciones. El estudio aplica el marco a Binance Coin, Ethereum, Litecoin, Ripple y Tether.

Los autores construyen dos agentes con distintos algoritmos de aprendizaje por refuerzo y los comparan con comprar y mantener y con un modelo de RL de referencia. Informan de que el marco causal produce una mayor rentabilidad que ambos enfoques de comparación, aunque su eficacia varía entre las criptomonedas estudiadas. El resumen no indica el periodo de la muestra, los costes de transacción, los resultados ajustados al riesgo, el diseño de validación ni si los hallazgos se mantienen fuera de los activos evaluados. Por tanto, la rentabilidad presentada describe las comparaciones del estudio, pero no establece un rendimiento general de trading.

Ideas clave

• CausalReinforceNet combina técnicas bayesianas y de redes bayesianas dinámicas con el aprendizaje por refuerzo.
• El marco se evalúa con cinco criptomonedas destacadas.
• Dos agentes utilizan distintos algoritmos de aprendizaje por refuerzo.
• Las comparaciones presentadas incluyen comprar y mantener y un modelo de aprendizaje por refuerzo de referencia.
• La rentabilidad presentada varía entre las criptomonedas y la descripción proporcionada omite detalles clave de la evaluación.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.