コンテンツへスキップ
ライブラリの全資料

暗号資産の強化学習における因果ベイズ分析

記事 arXiv papers · 著者: Rasoul Amirzadeh et al.
原文を読む

サマリー

本論文は、暗号資産取引の強化学習による意思決定に因果分析を取り入れることを目的とした枠組み、CausalReinforceNetを紹介します。ベイズ法と動的ベイジアンネットワークの手法を強化学習と組み合わせ、エージェントが取引を選ぶ際に市場の関係性を推論できるようにすることを目指します。Binance Coin、Ethereum、Litecoin、Ripple、Tetherにこの枠組みを適用します。

著者らは異なる強化学習アルゴリズムを用いた2つのエージェントを構築し、バイ・アンド・ホールドおよびベースラインのRLモデルと比較しています。因果的枠組みは両方の比較手法より高い収益性を示したと報告されていますが、効果は検討した暗号資産によって異なります。概要にはサンプル期間、取引コスト、リスク調整後の結果、検証設計、評価対象外の資産でも結果が成立するかが記載されていません。したがって、報告された収益性は研究内の比較を示すものであり、一般的な取引パフォーマンスを確立するものではありません。

主なアイデア

  • CausalReinforceNetはベイズ法と動的ベイジアンネットワークの手法を強化学習と組み合わせます。
  • この枠組みは主要な暗号資産5種類で評価されています。
  • 2つのエージェントが異なる強化学習アルゴリズムを使用します。
  • 報告された比較対象には、バイ・アンド・ホールドとベースラインの強化学習モデルが含まれます。
  • 報告された収益性は暗号資産によって異なり、提示された説明には評価に関する重要な詳細がありません。

タグ

暗号資産機械学習統計バックテスト
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。