Глубокое обучение с подкреплением для маркет-мейкинга криптовалют на тиковых данных

Сводка

В документе представлена высокочастотная схема маркет-мейкинга, сочетающая рыночные данные на уровне тиков с периодическими прогнозными сигналами. Глубокое обучение с подкреплением использует и быстрые данные об отдельных заявках, и более редкие прогнозы при выборе действий маркет-мейкера. Авторы исходят из того, что большой объем тиковых данных и сложные рыночные условия затрудняют разработку эффективных стратегий предоставления ликвидности на основе одного источника информации.

В описанной оценке сравниваются стратегии на основе разных алгоритмов глубокого обучения с подкреплением в симулируемых сценариях и экспериментах с реальными рыночными данными криптовалют. Авторы утверждают, что комбинированная схема повышает прибыльность и улучшает управление рисками по сравнению с существующими методами. В кратком описании не названы конкретные алгоритмы, активы, периоды оценки, базовые методы или показатели риска, поэтому по нему нельзя оценить масштаб и общую применимость заявленных улучшений.

Ключевые идеи

• Предлагаемый подход к маркет-мейкингу объединяет наблюдения на уровне тиков с периодическими прогнозными сигналами.
• Глубокое обучение с подкреплением преобразует объединенную информацию в решения маркет-мейкера.
• Схема мотивирована объемом и сложностью высокочастотных рыночных данных.
• Для оценки стратегий на основе разных алгоритмов обучения с подкреплением используются симуляции и данные реального рынка криптовалют.
• В документе заявлено об улучшении прибыльности и управления рисками, но недостаточно подробностей, чтобы оценить масштаб и общую применимость результатов.

Теги

# 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.

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.