Причинный байесовский анализ для обучения с подкреплением в криптотрейдинге

Сводка

В статье представлена CausalReinforceNet — схема, предназначенная для включения причинного анализа в процесс принятия решений агентами, обучаемыми с подкреплением, при торговле криптовалютами. Она объединяет байесовские методы и методы динамических байесовских сетей с обучением с подкреплением, чтобы агенты могли учитывать рыночные взаимосвязи при выборе сделок. Схема применяется к Binance Coin, Ethereum, Litecoin, Ripple и Tether.

Авторы создают два агента с разными алгоритмами обучения с подкреплением и сравнивают их со стратегией «купить и держать» и базовой моделью RL. Они сообщают, что причинная схема обеспечивает более высокую прибыльность, чем оба подхода для сравнения, причем ее эффективность различается для изученных криптовалют. В кратком описании не указаны период выборки, транзакционные издержки, результаты с поправкой на риск, дизайн проверки или то, сохраняются ли выводы за пределами оцененных активов. Таким образом, сообщаемая прибыльность отражает сравнения в исследовании, а не устанавливает общую эффективность торговли.

Ключевые идеи

• CausalReinforceNet объединяет байесовские методы и методы динамических байесовских сетей с обучением с подкреплением.
• Схема оценивается на пяти известных криптовалютах.
• В двух агентах используются разные алгоритмы обучения с подкреплением.
• В сравнении рассматриваются стратегия «купить и держать» и базовая модель обучения с подкреплением.
• Указанная прибыльность различается между криптовалютами, а в описании отсутствуют ключевые детали оценки.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.