Apprentissage profond par renforcement pour la tenue de marché crypto à l’échelle du tick

Résumé

Le document présente un cadre de tenue de marché à haute fréquence qui combine des données de marché à l’échelle du tick et des signaux de prévision périodiques. Il applique l’apprentissage profond par renforcement pour exploiter à la fois les informations rapides au niveau des ordres et les prévisions moins fréquentes lors du choix des actions de tenue de marché. La motivation tient au fait que le volume élevé des données de cotation au tick et la complexité des conditions de marché rendent difficile la conception de stratégies efficaces de fourniture de liquidité à partir d’une seule source d’information.

L’évaluation rapportée compare des stratégies élaborées avec différents algorithmes d’apprentissage profond par renforcement dans des scénarios simulés et des expériences utilisant des données réelles du marché des cryptomonnaies. Les auteurs affirment que le cadre combiné améliore la rentabilité et la gestion du risque par rapport aux méthodes existantes. Le résumé ne précise pas les algorithmes, les actifs, les périodes d’évaluation, les références de comparaison ni les mesures de risque ; l’ampleur et la portée générale des gains rapportés ne peuvent donc pas être évaluées à partir de cette seule description.

Idées clés

• L’approche de tenue de marché proposée combine des observations à l’échelle du tick et des signaux de prévision périodiques.
• L’apprentissage profond par renforcement transforme les informations combinées en décisions de tenue de marché.
• Le cadre est motivé par le volume et la complexité des données de marché à haute fréquence.
• Des simulations et des données réelles sur les cryptomonnaies servent à évaluer des stratégies fondées sur différents algorithmes d’apprentissage par renforcement.
• Le document fait état d’améliorations de la rentabilité et de la gestion du risque, mais omet les détails nécessaires pour en évaluer l’ampleur ou la portée générale.

Étiquettes

# 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.

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.