암호화폐 강화학습을 위한 인과 베이지안 분석
기사 arXiv papers · 저자: Rasoul Amirzadeh et al.
요약
이 논문은 암호화폐 매매의 강화학습 결정에 인과 분석을 반영하기 위한 프레임워크인 CausalReinforceNet을 소개합니다. 베이지안 및 동적 베이지안 네트워크 기법을 강화학습과 결합해 에이전트가 매매를 선택할 때 시장 관계를 추론하도록 합니다. Binance Coin, Ethereum, Litecoin, Ripple, Tether에 프레임워크를 적용합니다.
저자들은 서로 다른 강화학습 알고리즘을 사용한 에이전트 두 개를 만들고, 바이앤홀드 및 기준 RL 모델과 비교합니다. 인과 프레임워크가 두 비교 방식보다 높은 수익성을 보였다고 보고하지만, 효과는 연구한 암호화폐마다 다릅니다. 요약에는 표본 기간, 거래 비용, 위험 조정 결과, 검증 설계, 평가한 자산 외에서도 결과가 유지되는지가 명시되어 있지 않습니다. 따라서 보고된 수익성은 연구 내 비교 결과를 나타내며 일반적인 매매 성과를 입증하지는 않습니다.
핵심 아이디어
- CausalReinforceNet은 베이지안 및 동적 베이지안 네트워크 기법을 강화학습과 결합합니다.
- 이 프레임워크는 주요 암호화폐 5종으로 평가됩니다.
- 서로 다른 강화학습 알고리즘을 사용하는 에이전트 두 개를 적용합니다.
- 보고된 비교 대상은 바이앤홀드와 기준 강화학습 모델입니다.
- 보고된 수익성은 암호화폐마다 다르며, 제공된 설명에는 주요 평가 정보가 빠져 있습니다.
태그
전문
# 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.
출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0
이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.