کرپٹو کرنسی مارکیٹ میکنگ کے لیے ڈیپ ری اِنفورسمنٹ لرننگ

خلاصہ

یہ مقالہ کرپٹو کرنسی مارکیٹ میکنگ کے لیے ڈیپ ری اِنفورسمنٹ لرننگ فریم ورک بیان کرتا ہے، جس میں ایجنٹس فرضی ٹریڈنگ ماحول سے تعامل کرتے ہوئے انوینٹری کا انتظام سیکھتے ہیں۔ ماحول مارکیٹ کے مشاہدات کو لمٹ آرڈر بک ڈیٹا اور آرڈر فلو کی آمد کے اعدادوشمار سے ظاہر کرتا ہے۔ پالیسی گریڈینٹ الگورتھمز ایجنٹس کے طور پر کام کرتے ہیں، جبکہ فیڈ فارورڈ نیورل نیٹ ورک ان کی پالیسیوں یا ویلیو فنکشنز کا تخمینہ لگاتا ہے۔

تجربہ دو ریوارڈ فنکشنز کا تقابل کرتا ہے اور ایجنٹ و ریوارڈ کے امتزاج کو روزانہ اور اوسط ٹریڈ ریٹرنز سے جانچتا ہے۔ مصنفین اس فریم ورک کو مارکیٹ میکرز کے درپیش اسٹاکاسٹک انوینٹری کنٹرول کے مسئلے سے نمٹنے کا طریقہ بتاتے ہیں۔ فراہم کردہ تفصیل مخصوص الگورتھمز، ریوارڈ کی تعریفیں، ڈیٹا سیٹ یا عددی نتائج نہیں بتاتی، اس لیے یہ ثابت نہیں ہوتا کہ کارکردگی لائیو منڈیوں یا دوسرے مارکیٹ حالات میں بھی برقرار رہے گی۔

اہم خیالات

• یہ فریم ورک کرپٹو کرنسی مارکیٹ میکنگ پر ڈیپ ری اِنفورسمنٹ لرننگ لاگو کرتا ہے۔
• ایجنٹس لمٹ آرڈر بک کی معلومات اور آرڈر فلو کی آمد کے اعدادوشمار دیکھتے ہیں۔
• پالیسی گریڈینٹ طریقے فیڈ فارورڈ نیورل نیٹ ورک کے ساتھ مارکیٹ ماحول سے تعامل کرتے ہیں۔
• روزانہ اور اوسط ٹریڈ ریٹرنز کے ذریعے دو ریوارڈ فنکشنز کا تقابل کیا جاتا ہے۔
• بیان کردہ اطلاق مارکیٹ میکرز کے لیے اسٹاکاسٹک انوینٹری کنٹرول ہے، تاہم فراہم کردہ تفصیل نفاذ اور دوسری منڈیوں میں منتقلی کی معلومات نہیں دیتی۔

ٹیگز

# 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.

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۔