क्रिप्टोकरेंसी सुदृढीकरण अधिगम के लिए कारणात्मक बेयज़ियन विश्लेषण

सारांश

यह शोधपत्र CausalReinforceNet प्रस्तुत करता है—एक ऐसा ढाँचा जिसका उद्देश्य क्रिप्टोकरेंसी ट्रेडिंग के सुदृढीकरण अधिगम निर्णयों में कारणात्मक विश्लेषण शामिल करना है। ट्रेड चुनते समय एजेंटों को बाज़ार संबंधों पर विचार करने में मदद देने के लिए यह बेयज़ियन और डायनेमिक बेयज़ियन नेटवर्क तकनीकों को सुदृढीकरण अधिगम के साथ जोड़ता है। अध्ययन इस ढाँचे को Binance Coin, Ethereum, Litecoin, Ripple और Tether पर लागू करता है।

लेखक अलग-अलग सुदृढीकरण अधिगम एल्गोरिदम वाले दो एजेंट बनाते हैं और उनकी तुलना खरीदकर-रखने की रणनीति तथा एक आधारभूत RL मॉडल से करते हैं। उनके अनुसार कारणात्मक ढाँचा दोनों तुलना दृष्टिकोणों से अधिक लाभप्रदता देता है, जबकि अध्ययन की गई क्रिप्टोकरेंसी के अनुसार इसकी प्रभावशीलता अलग होती है। सार में नमूना अवधि, लेनदेन लागत, जोखिम-समायोजित परिणाम, सत्यापन रूपरेखा या मूल्यांकित परिसंपत्तियों से बाहर निष्कर्षों की वैधता नहीं बताई गई है। इसलिए रिपोर्ट की गई लाभप्रदता अध्ययन की तुलनाओं का वर्णन करती है, सामान्य ट्रेडिंग प्रदर्शन स्थापित नहीं करती।

मुख्य विचार

• CausalReinforceNet बेयज़ियन और डायनेमिक बेयज़ियन नेटवर्क तकनीकों को सुदृढीकरण अधिगम के साथ जोड़ता है।
• इस ढाँचे का मूल्यांकन पाँच प्रमुख क्रिप्टोकरेंसी पर किया गया है।
• दो एजेंट अलग-अलग सुदृढीकरण अधिगम एल्गोरिदम का उपयोग करते हैं।
• रिपोर्ट की गई तुलनाओं में खरीदकर-रखने की रणनीति और आधारभूत सुदृढीकरण अधिगम मॉडल शामिल हैं।
• रिपोर्ट की गई लाभप्रदता क्रिप्टोकरेंसी के अनुसार बदलती है और दिए गए विवरण में मूल्यांकन के महत्वपूर्ण तथ्य नहीं हैं।

टैग

# 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.

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।