تحلیل بیزی علّی برای یادگیری تقویتی در رمزارز

خلاصه

این مقاله CausalReinforceNet را معرفی می‌کند؛ چارچوبی که برای واردکردن تحلیل علّی به تصمیم‌های یادگیری تقویتی در معاملات رمزارز طراحی شده است. این چارچوب روش‌های شبکه بیزی و شبکه بیزی پویا را با یادگیری تقویتی ترکیب می‌کند تا عامل‌ها هنگام انتخاب معامله بتوانند روابط بازار را در نظر بگیرند. این پژوهش چارچوب را روی بایننس کوین، اتریوم، لایت‌کوین، ریپل و تتر به کار می‌گیرد.

نویسندگان دو عامل با الگوریتم‌های یادگیری تقویتی متفاوت می‌سازند و آن‌ها را با خرید و نگهداری و یک مدل پایه RL مقایسه می‌کنند. آن‌ها گزارش می‌کنند که چارچوب علّی سودآوری بیشتری از هر دو رویکرد مقایسه‌ای دارد، در حالی که اثربخشی آن میان رمزارزهای بررسی‌شده متفاوت است. خلاصه، دوره نمونه، هزینه‌های معامله، نتایج تعدیل‌شده بر اساس ریسک، طراحی اعتبارسنجی یا پایداری یافته‌ها خارج از دارایی‌های ارزیابی‌شده را بیان نمی‌کند. بنابراین سودآوری گزارش‌شده شرح مقایسه‌های همین پژوهش است و عملکرد معاملاتی عمومی را اثبات نمی‌کند.

ایده‌های کلیدی

• CausalReinforceNet روش‌های شبکه بیزی و شبکه بیزی پویا را با یادگیری تقویتی ترکیب می‌کند.
• این چارچوب روی پنج رمزارز شناخته‌شده ارزیابی می‌شود.
• دو عامل از الگوریتم‌های یادگیری تقویتی متفاوت استفاده می‌کنند.
• مقایسه‌های گزارش‌شده شامل خرید و نگهداری و یک مدل پایه یادگیری تقویتی هستند.
• سودآوری گزارش‌شده میان رمزارزها تفاوت دارد و توضیحات ارائه‌شده جزئیات مهم ارزیابی را نمی‌آورند.

برچسب‌ها

# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.