Analyse bayésienne causale et apprentissage par renforcement pour les cryptomonnaies

Résumé

L’article présente CausalReinforceNet, un cadre visant à intégrer l’analyse causale aux décisions d’apprentissage par renforcement pour le trading de cryptomonnaies. Il combine des techniques bayésiennes et de réseaux bayésiens dynamiques avec l’apprentissage par renforcement, afin d’aider les agents à raisonner sur les relations de marché lorsqu’ils choisissent des opérations. L’étude applique ce cadre au Binance Coin, à l’Ethereum, au Litecoin, au Ripple et au Tether.

Les auteurs construisent deux agents utilisant différents algorithmes d’apprentissage par renforcement et les comparent à une stratégie d’achat-conservation et à un modèle de référence RL. Ils rapportent que le cadre causal est plus rentable que les deux approches de comparaison, avec une efficacité variable selon les cryptomonnaies étudiées. Le résumé ne précise ni la période d’échantillonnage, ni les coûts de transaction, ni les résultats ajustés du risque, ni le protocole de validation, ni la généralisation des résultats à d’autres actifs que ceux évalués. La rentabilité rapportée décrit donc les comparaisons de l’étude, sans établir une performance de trading générale.

Idées clés

• CausalReinforceNet combine des techniques de réseaux bayésiens et de réseaux bayésiens dynamiques avec l’apprentissage par renforcement.
• Le cadre est évalué sur cinq cryptomonnaies de premier plan.
• Deux agents utilisent des algorithmes différents d’apprentissage par renforcement.
• Les comparaisons rapportées incluent une stratégie d’achat-conservation et un modèle de référence d’apprentissage par renforcement.
• La rentabilité rapportée varie selon les cryptomonnaies, et la description fournie omet des détails essentiels de l’évaluation.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.