深層強化学習による暗号資産マーケットメイク

記事 arXiv papers · 著者: Jiafa He et al.

サマリー

本資料は、ティック単位の市場データと定期的な予測シグナルを組み合わせた高頻度マーケットメイクの枠組みを示しています。深層強化学習を適用し、マーケットメイクの行動を決める際に、素早い注文単位の情報と頻度の低い予測の両方を活用します。大量のティックデータと複雑な市場環境のもとでは、単一の情報源から有効な流動性供給戦略を構築することが難しいという問題意識に基づいています。

報告された評価では、異なる深層強化学習アルゴリズムによる戦略を、シミュレーションと実際の暗号資産市場データを用いた実験で比較しています。著者らは、統合した枠組みが既存手法より収益性とリスク管理を改善すると述べています。ただし、要約では具体的なアルゴリズム、資産、評価期間、比較対象、リスク指標を特定していないため、報告された改善の規模や一般性はこの説明だけでは評価できません。

主なアイデア

提案されたマーケットメイク手法は、ティック単位の観測値と定期的な予測シグナルを組み合わせています。
深層強化学習により、統合した情報をマーケットメイクの判断に変換します。
高頻度市場データの量と複雑さを背景に、この枠組みが提案されています。
強化学習アルゴリズム別の戦略を、シミュレーションと実際の暗号資産データで評価しています。
収益性とリスク管理の改善を報告していますが、その規模や一般性を判断する詳細は示されていません。

# 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.

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。

ティック単位の暗号資産マーケットメイクにおける深層強化学習

サマリー

主なアイデア

タグ