Глубокое обучение с подкреплением для маркет-мейкинга криптовалют

Сводка

В статье изложена система глубокого обучения с подкреплением для маркет-мейкинга криптовалют: агенты учатся управлять запасами активов во взаимодействии с симулируемой торговой средой. Наблюдения рынка в этой среде представлены данными книги лимитных заявок и статистикой поступления потока заявок. В качестве агентов используются алгоритмы градиента политики, а полносвязная нейронная сеть аппроксимирует их политики или функции ценности.

В эксперименте сравниваются две функции вознаграждения, а сочетания агентов и вознаграждений оцениваются по дневной и средней доходности сделок. Авторы представляют эту систему как способ решения стохастической задачи управления запасами, стоящей перед маркет-мейкерами. В предоставленном описании не указаны конкретные алгоритмы, определения вознаграждения, набор данных или численные результаты, поэтому по нему нельзя установить, насколько эффективность переносится на реальный рынок или другие рыночные условия.

Ключевые идеи

• В системе глубокое обучение с подкреплением применяется для маркет-мейкинга криптовалют.
• Агенты наблюдают данные книги лимитных заявок и статистику поступления потока заявок.
• Методы градиента политики взаимодействуют с рыночной средой, используя полносвязную нейронную сеть.
• Две функции вознаграждения сравниваются по дневной и средней доходности сделок.
• Заявленная область применения — стохастическое управление запасами маркет-мейкеров, однако в описании не хватает подробностей о реализации и переносе результатов.

Теги

# 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.

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.