Aprendizado profundo por reforço para market making de cripto em nível de tick

Resumo

O documento apresenta uma estrutura de market making de alta frequência que combina dados de mercado em nível de tick com sinais de previsão periódicos. Aplica aprendizado profundo por reforço para usar tanto informações rápidas no nível das ordens quanto previsões menos frequentes ao definir ações de market making. A motivação é que o alto volume de dados de tick e as condições complexas do mercado dificultam a criação de estratégias eficazes de provisão de liquidez com uma única fonte de informação.

A avaliação relatada compara estratégias construídas com diferentes algoritmos de aprendizado profundo por reforço em cenários simulados e experimentos com dados reais do mercado de criptomoedas. Os autores afirmam que a estrutura combinada melhora a rentabilidade e a gestão de risco em relação aos métodos existentes. O resumo não identifica os algoritmos específicos, os ativos, os períodos de avaliação, os parâmetros de comparação nem as medidas de risco; portanto, não é possível avaliar a dimensão e a generalidade dos ganhos relatados apenas com esta descrição.

Ideias principais

• A abordagem de market making proposta combina observações em nível de tick com sinais de previsão periódicos.
• O aprendizado profundo por reforço transforma as informações combinadas em decisões de market making.
• A estrutura é motivada pelo volume e pela complexidade dos dados de mercado de alta frequência.
• Simulações e dados reais de criptomoedas são usados para avaliar estratégias com diferentes algoritmos de aprendizado por reforço.
• O documento relata melhorias de rentabilidade e gestão de risco, mas omite detalhes necessários para avaliar sua dimensão e generalidade.

Tags

# 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.

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.