ניתוח בייסיאני סיבתי ללמידת חיזוק במסחר בקריפטו

סיכום

המאמר מציג את CausalReinforceNet, מסגרת שנועדה לשלב ניתוח סיבתי בהחלטות למידת חיזוק במסחר במטבעות קריפטוגרפיים. היא משלבת שיטות בייסיאניות ורשתות בייסיאניות דינמיות עם למידת חיזוק, במטרה לסייע לסוכנים להסיק על קשרים בשוק בעת בחירת עסקאות. המחקר מיישם את המסגרת על Binance Coin, Ethereum, Litecoin, Ripple ו־Tether.

המחברים בונים שני סוכנים המשתמשים באלגוריתמים שונים של למידת חיזוק ומשווים אותם לקנייה והחזקה ולמודל RL בסיסי. הם מדווחים שהמסגרת הסיבתית משיגה רווחיות גבוהה יותר משתי גישות ההשוואה, בעוד שיעילותה משתנה בין המטבעות הקריפטוגרפיים שנבדקו. התקציר אינו מציין את תקופת המדגם, עלויות העסקה, תוצאות מותאמות לסיכון, תכנון התיקוף או אם הממצאים תקפים מעבר לנכסים שנבדקו. לפיכך, הרווחיות המדווחת מתארת את ההשוואות במחקר ואינה מוכיחה ביצועי מסחר כלליים.

רעיונות מרכזיים

• CausalReinforceNet משלבת שיטות בייסיאניות ורשתות בייסיאניות דינמיות עם למידת חיזוק.
• המסגרת נבחנת על חמישה מטבעות קריפטוגרפיים בולטים.
• שני סוכנים משתמשים באלגוריתמים שונים של למידת חיזוק.
• ההשוואות המדווחות כוללות קנייה והחזקה ומודל למידת חיזוק בסיסי.
• הרווחיות המדווחת משתנה בין המטבעות הקריפטוגרפיים, והתיאור שסופק משמיט פרטי הערכה מרכזיים.

תגיות

# 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.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.