암호화폐 마켓메이킹을 위한 심층 강화학습

기사 arXiv papers · 저자: Jonathan Sadighian

요약

이 논문은 모의 거래 환경에서 재고를 관리하도록 에이전트를 학습시키는 암호화폐 마켓메이킹용 심층 강화학습 프레임워크를 설명합니다. 환경은 지정가 주문장 데이터와 주문 흐름 도착 통계로 시장 관측값을 나타냅니다. 정책 경사 알고리즘을 에이전트로 사용하며, 순방향 신경망이 정책 또는 가치 함수를 근사합니다.

실험은 보상 함수 두 가지를 비교하고 일별 및 평균 거래 수익률로 에이전트와 보상의 조합을 평가합니다. 저자들은 이 프레임워크가 마켓메이커가 직면하는 확률적 재고 통제 문제에 대응하는 방법이라고 제시합니다. 제공된 설명에는 구체적인 알고리즘, 보상 정의, 데이터셋, 수치 결과가 명시되어 있지 않으므로 실거래나 다른 시장 상황으로 성과가 이어지는지는 입증하지 않습니다.

핵심 아이디어

이 프레임워크는 심층 강화학습을 암호화폐 마켓메이킹에 적용합니다.
에이전트는 지정가 주문장 정보와 주문 흐름 도착 통계를 관측합니다.
정책 경사 방법은 순방향 신경망을 사용해 시장 환경과 상호작용합니다.
일별 및 평균 거래 수익률을 기준으로 보상 함수 두 가지를 비교합니다.
적용 대상은 마켓메이커의 확률적 재고 통제 문제지만, 제공된 설명에는 구현과 성과 이전에 관한 세부 정보가 없습니다.

# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.

암호화폐 마켓메이킹을 위한 심층 강화학습

요약

핵심 아이디어

태그