کرپٹو کرنسی کے تقویتی سیکھنے میں علّی بیزی تجزیہ

خلاصہ

یہ مقالہ CausalReinforceNet متعارف کراتا ہے، ایسا فریم ورک جس کا مقصد کرپٹو کرنسی ٹریڈنگ کے تقویتی سیکھنے کے فیصلوں میں علّی تجزیہ شامل کرنا ہے۔ یہ بیزی اور متحرک بیزی نیٹ ورک تکنیکوں کو تقویتی سیکھنے کے ساتھ ملاتا ہے تاکہ ایجنٹ ٹریڈ منتخب کرتے وقت منڈی کے تعلقات پر استدلال کر سکیں۔ مطالعہ اس فریم ورک کو Binance Coin، Ethereum، Litecoin، Ripple اور Tether پر آزماتا ہے۔

مصنفین مختلف تقویتی سیکھنے کے الگورتھم استعمال کرتے ہوئے دو ایجنٹ بناتے ہیں اور ان کا خرید کر رکھو حکمتِ عملی اور بنیادی RL ماڈل سے موازنہ کرتے ہیں۔ ان کے مطابق علّی فریم ورک دونوں تقابلی طریقوں سے زیادہ منافع بخشتا ہے، جبکہ اس کی مؤثریت زیرِ مطالعہ کرپٹو کرنسیوں کے لحاظ سے مختلف ہے۔ خلاصے میں نمونے کی مدت، لین دین کے اخراجات، خطرے کے لحاظ سے ایڈجسٹ شدہ نتائج، توثیق کے ڈیزائن یا آزمودہ اثاثوں سے باہر نتائج کی پائیداری بیان نہیں کی گئی۔ لہٰذا رپورٹ کردہ منافع مطالعے کے موازنوں کو بیان کرتا ہے، عمومی ٹریڈنگ کارکردگی کو ثابت نہیں کرتا۔

اہم خیالات

• CausalReinforceNet بیزی اور متحرک بیزی نیٹ ورک تکنیکوں کو تقویتی سیکھنے کے ساتھ ملاتا ہے۔
• اس فریم ورک کو پانچ نمایاں کرپٹو کرنسیوں پر جانچا گیا ہے۔
• دو ایجنٹ تقویتی سیکھنے کے مختلف الگورتھم استعمال کرتے ہیں۔
• رپورٹ کردہ موازنوں میں خرید کر رکھو حکمتِ عملی اور بنیادی تقویتی سیکھنے کا ماڈل شامل ہیں۔
• رپورٹ کردہ منافع کرپٹو کرنسیوں کے لحاظ سے مختلف ہے، اور فراہم کردہ وضاحت میں جانچ کی اہم تفصیلات موجود نہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔