یادگیری تقویتی عمیق برای بازارسازی رمزارز در سطح تیک

خلاصه

این سند چارچوبی برای بازارسازی پُربسامد ارائه می‌کند که داده‌های بازار در سطح تیک را با سیگنال‌های پیش‌بینی دوره‌ای ترکیب می‌کند. از یادگیری تقویتی عمیق بهره می‌گیرد تا هنگام تعیین کنش‌های بازارسازی، هم اطلاعات سریع سطح سفارش و هم پیش‌بینی‌های کم‌بسامدتر را به کار گیرد. انگیزه این روش آن است که حجم بالای داده‌های تیک و پیچیدگی شرایط بازار، ساخت استراتژی‌های مؤثر تأمین نقدشوندگی را بر پایه یک منبع اطلاعاتی دشوار می‌کند.

ارزیابی گزارش‌شده استراتژی‌های ساخته‌شده با الگوریتم‌های گوناگون یادگیری تقویتی عمیق را در سناریوهای شبیه‌سازی‌شده و آزمایش‌هایی با داده‌های واقعی بازار ارز دیجیتال مقایسه می‌کند. نویسندگان می‌گویند چارچوب ترکیبی در مقایسه با روش‌های موجود، سودآوری و مدیریت ریسک را بهبود می‌دهد. خلاصه الگوریتم‌های مشخص، دارایی‌ها، دوره‌های ارزیابی، مبناهای مقایسه یا سنجه‌های ریسک را نام نمی‌برد؛ بنابراین اندازه و قابلیت تعمیم بهبودهای گزارش‌شده را نمی‌توان تنها از این شرح ارزیابی کرد.

ایده‌های کلیدی

• رویکرد پیشنهادی بازارسازی، مشاهدات در سطح تیک را با سیگنال‌های پیش‌بینی دوره‌ای ترکیب می‌کند.
• یادگیری تقویتی عمیق، اطلاعات ترکیبی را به تصمیم‌های بازارسازی تبدیل می‌کند.
• انگیزه چارچوب، حجم و پیچیدگی داده‌های بازار پُربسامد است.
• برای ارزیابی استراتژی‌ها در الگوریتم‌های یادگیری تقویتی، از شبیه‌سازی و داده‌های واقعی ارز دیجیتال استفاده می‌شود.
• سند از بهبود سودآوری و مدیریت ریسک خبر می‌دهد، اما جزئیات لازم برای سنجش اندازه یا قابلیت تعمیم آن‌ها را ارائه نمی‌کند.

برچسب‌ها

# 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.

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.