コンテンツへスキップ
ライブラリの全資料

暗号資産マーケットメイクの深層強化学習

記事 arXiv papers · 著者: Jonathan Sadighian
原文を読む

サマリー

この論文は、暗号資産のマーケットメイクに深層強化学習を適用する枠組みを概説しています。エージェントはシミュレーション取引環境と相互作用しながら、在庫管理を学習します。環境では、板情報と注文フローの到着統計を用いて市場の状態を表します。エージェントには方策勾配アルゴリズムを用い、フィードフォワードニューラルネットワークで方策または価値関数を近似します。

実験では2つの報酬関数を比較し、エージェントと報酬関数の組み合わせを日次および平均の売買リターンで評価しています。著者らは、マーケットメーカーが直面する確率的な在庫制御問題に対処する枠組みとして提示しています。提供された説明には具体的なアルゴリズム、報酬の定義、データセット、数値結果が示されていません。そのため、実市場や他の市場環境で性能がどのように移転するかは立証されていません。

主なアイデア

  • 暗号資産のマーケットメイクに深層強化学習を適用する枠組みです。
  • エージェントは板情報と注文フローの到着統計を観測します。
  • フィードフォワードニューラルネットワークを用い、方策勾配法で市場環境と相互作用します。
  • 日次および平均の売買リターンを用いて、2つの報酬関数を比較しています。
  • 想定される用途はマーケットメーカーの確率的な在庫制御ですが、提供された説明には実装や他の市場環境への性能移転に関する詳細がありません。

タグ

暗号資産マーケットメイク機械学習注文執行市場マイクロストラクチャー
全文
# 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.

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。