Análise bayesiana causal para aprendizado por reforço em criptomoedas

Resumo

O artigo apresenta o CausalReinforceNet, um arcabouço que busca incorporar análise causal às decisões de aprendizado por reforço para trading de criptomoedas. Ele combina técnicas bayesianas e de redes bayesianas dinâmicas com aprendizado por reforço, com o objetivo de ajudar agentes a raciocinar sobre relações de mercado ao escolher operações. O estudo aplica o arcabouço a Binance Coin, Ethereum, Litecoin, Ripple e Tether.

Os autores constroem dois agentes com diferentes algoritmos de aprendizado por reforço e os comparam com comprar e manter e com um modelo de RL de referência. Relatam que o arcabouço causal gera maior rentabilidade do que as duas abordagens de comparação, embora sua eficácia varie entre as criptomoedas estudadas. O resumo não informa o período da amostra, os custos de transação, os resultados ajustados ao risco, o desenho da validação nem se os resultados se mantêm fora dos ativos avaliados. Portanto, a rentabilidade relatada descreve as comparações do estudo, sem estabelecer um desempenho geral de trading.

Ideias principais

• O CausalReinforceNet combina técnicas bayesianas e de redes bayesianas dinâmicas com aprendizado por reforço.
• O arcabouço é avaliado em cinco criptomoedas de destaque.
• Dois agentes usam algoritmos diferentes de aprendizado por reforço.
• As comparações relatadas incluem comprar e manter e um modelo de aprendizado por reforço de referência.
• A rentabilidade relatada varia entre as criptomoedas, e a descrição fornecida omite detalhes importantes da avaliação.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.