Aprendizaje por refuerzo profundo para crear mercado cripto

Resumen

El documento presenta un marco de creación de mercado de alta frecuencia que combina datos de mercado a nivel de tick con señales de predicción periódicas. Aplica aprendizaje por refuerzo profundo para utilizar tanto la información rápida del libro de órdenes como los pronósticos menos frecuentes al decidir las acciones de creación de mercado. La motivación es que el gran volumen de datos de ticks y las complejas condiciones del mercado dificultan construir estrategias eficaces de provisión de liquidez a partir de una sola fuente de información.

La evaluación presentada compara estrategias basadas en distintos algoritmos de aprendizaje por refuerzo profundo en escenarios simulados y experimentos con datos reales del mercado de criptomonedas. Los autores afirman que el marco combinado mejora la rentabilidad y la gestión de riesgos frente a los métodos existentes. El resumen no identifica los algoritmos, los activos, los periodos de evaluación, las referencias de comparación ni las medidas de riesgo concretas, por lo que esta descripción no permite evaluar la magnitud ni la generalidad de las mejoras declaradas.

Ideas clave

• El enfoque propuesto para crear mercado combina observaciones a nivel de tick con señales de predicción periódicas.
• El aprendizaje por refuerzo profundo transforma la información combinada en decisiones de creación de mercado.
• El marco parte del volumen y la complejidad de los datos de mercado de alta frecuencia.
• Se utilizan simulaciones y datos reales de criptomonedas para evaluar estrategias con distintos algoritmos de aprendizaje por refuerzo.
• El documento afirma que mejora la rentabilidad y la gestión de riesgos, pero no da detalles para evaluar la magnitud o generalidad de esas mejoras.

Etiquetas

# Integrating Tick-level Data and Periodical Signal for High-frequency Market Making


# Integrating Tick-level Data and Periodical Signal for High-frequency Market Making









We focus on the problem of market making in high-frequency trading. Market making is a critical function in financial markets that involves providing liquidity by buying and selling assets. However, the increasing complexity of financial markets and the high volume of data generated by tick-level trading makes it challenging to develop effective market making strategies. To address this challenge, we propose a deep reinforcement learning approach that fuses tick-level data with periodic prediction signals to develop a more accurate and robust market making strategy. Our results of market making strategies based on different deep reinforcement learning algorithms under the simulation scenarios and real data experiments in the cryptocurrency markets show that the proposed framework outperforms existing methods in terms of profitability and risk management.

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.