Apprentissage profond par renforcement pour la tenue de marché des cryptomonnaies

Résumé

L’article présente un cadre d’apprentissage profond par renforcement pour la tenue de marché des cryptomonnaies, où des agents apprennent à gérer leur inventaire en interagissant avec un environnement de trading simulé. Cet environnement représente les observations du marché à partir des données du carnet d’ordres à cours limité et des statistiques d’arrivée des flux d’ordres. Les agents utilisent des algorithmes de gradient de politique, et un réseau neuronal à propagation avant approxime leurs politiques ou fonctions de valeur.

L’expérience compare deux fonctions de récompense et évalue les combinaisons agent-récompense à l’aide des rendements quotidiens et moyens des transactions. Les auteurs présentent le cadre comme une approche du problème de contrôle stochastique des stocks auquel sont confrontés les teneurs de marché. La description fournie ne précise ni les algorithmes, ni les définitions des récompenses, ni le jeu de données, ni les résultats numériques ; elle ne permet donc pas d’établir dans quelle mesure les performances se transposent aux marchés réels ou à d’autres conditions de marché.

Idées clés

• Le cadre applique l’apprentissage profond par renforcement à la tenue de marché des cryptomonnaies.
• Les agents observent les données du carnet d’ordres à cours limité et les statistiques d’arrivée des flux d’ordres.
• Les méthodes de gradient de politique interagissent avec l’environnement de marché à l’aide d’un réseau neuronal à propagation avant.
• Deux fonctions de récompense sont comparées à partir des rendements quotidiens et moyens des transactions.
• L’application annoncée porte sur le contrôle stochastique des stocks des teneurs de marché, mais la description fournie omet les détails d’implémentation et de transférabilité.

Étiquettes

# Deep Reinforcement Learning in Cryptocurrency Market Making


# Deep Reinforcement Learning in Cryptocurrency Market Making









This paper sets forth a framework for deep reinforcement learning as applied to market making (DRLMM) for cryptocurrencies. Two advanced policy gradient-based algorithms were selected as agents to interact with an environment that represents the observation space through limit order book data, and order flow arrival statistics. Within the experiment, a forward-feed neural network is used as the function approximator and two reward functions are compared. The performance of each combination of agent and reward function is evaluated by daily and average trade returns. Using this DRLMM framework, this paper demonstrates the effectiveness of deep reinforcement learning in solving stochastic inventory control challenges market makers face.

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.