مواد پر جائیں
لائبریری کی تمام دستاویزات

کرپٹو آرڈر عمل درآمد میں ماہرین کا امتزاج: استحکام اور دُم کا خطرہ

مضمون arXiv papers · مصنف: Alexander Ardaiz et al.

خلاصہ

یہ مطالعہ BTC/USDT آرڈر عمل درآمد کے لیے Double Deep Q-Learning کا K-means سے تقسیم کردہ ماہرین کے امتزاج اور مساوی پیرامیٹرز والے گھنے نیٹ ورکس سے موازنہ کرتا ہے۔ جائزے میں Binance کے پانچ منٹ کے اوسط شدہ limit order book ڈیٹا کو استعمال کرکے نفاذی شارٹ فال، تربیتی seed کے فرق، پالیسی کے انہدام اور پالیسی کے اندر دُم کے خطرے پر توجہ دی گئی ہے۔ نتائج کا موازنہ time-weighted average price اور فوری liquidation بینچ مارکس سے ایسے replay ماحول میں کیا گیا ہے جہاں بیان کردہ انعام اور جرمانے کے ڈیزائن کے باعث جلد liquidation تقریباً بے لاگت ہے۔

اس مخصوص ترتیب میں کوئی سیکھا ہوا configuration بنیادی learner کے مقابلے میں اوسط شارٹ فال کو نمایاں طور پر بہتر نہیں کرتا، اور ہر configuration کا اوسط شارٹ فال دونوں سادہ بینچ مارکس سے زیادہ ہے۔ بار بار seed چلانے اور ablation کے تجزیوں میں انہدام روکنے کا تعلق annealed exploration سے ہے، ماہرین کے امتزاج کے کسی فطری فائدے سے نہیں؛ exploration اور reward دونوں میں تبدیلیاں ملانے سے انہدام واپس آ سکتا ہے۔ سب سے بڑے ماہر configuration میں seeds کے درمیان پھیلاؤ کم ترین ہے، مگر متعدد موازنوں کی adjustment کے بعد یہ نتیجہ مضبوط نہیں رہتا؛ ماہرین کی تعداد بڑھنے پر پالیسی کے اندر دُم کا خطرہ بگڑتا ہے۔ یہ نتائج آزمودہ ماحول اور specifications تک محدود ہیں، اور seed کی تعداد بدلنے پر وجوہات کی نسبت میں تبدیلی جائزے کی غیر یقینی کو نمایاں کرتی ہے۔

اہم خیالات

  • آزمودہ ماہرین کے امتزاج والے configurations، سادہ Double Deep Q-Learning کے مقابلے میں اوسط شارٹ فال نمایاں طور پر کم نہیں کرتے۔
  • متعین replay ماحول میں time-weighted average price اور فوری liquidation، سیکھے ہوئے configurations سے اوسط شارٹ فال میں بہتر ہیں۔
  • annealed exploration، ماہرین کی تقسیم کے بغیر بھی مشاہدہ شدہ پالیسی کے انہدام کو دباتی ہے۔
  • ماہرین کی تعداد بڑھنے کے ساتھ seeds کے درمیان پھیلاؤ اور پالیسی کے اندر دُم کا خطرہ مختلف سمتوں میں بدلتے ہیں۔
  • تربیتی seeds کی تعداد کے ساتھ ناکامی کے اسباب کی نسبت بدل سکتی ہے، اس لیے بار بار seeds کے ساتھ جائزہ اہم ہے۔

ٹیگز

مکمل متن
# Mixture-of-Experts for Cryptocurrency Order Execution: Training Stability, Tail Risk, and Failure Modes


# Mixture-of-Experts for Cryptocurrency Order Execution: Training Stability, Tail Risk, and Failure Modes









Deep reinforcement-learning policies for order execution can vary substantially across training seeds, so apparent architectural gains may reflect favourable training realisations rather than reproducible properties of the architecture. We evaluate vanilla Double Deep Q-Learning (DDQL), K-means-partitioned mixtures of DDQL experts at $K \in \{2, 4, 8\}$, and dense networks parameter-matched to the $K{=}4$ and $K{=}8$ expert budgets on 5-minute mean-aggregated BTC/USDT limit order book data from Binance. No learned configuration significantly improves mean implementation shortfall over DDQL. Under the reported specification, all have higher mean shortfall than TWAP (0.39 bps) and immediate liquidation (0.21 bps) in an environment whose frictionless replay and terminal-urgency penalty make early liquidation nearly costless; 11/100 vanilla-DDQL runs, versus none in either MoE $K{\geq}4$ arm, converge to a policy that waits until forced liquidation. We then decompose this specification on a device-matched baseline. Annealed exploration alone eliminates observed collapses (12/100 to 0/100; exact McNemar $p{=}4.9{\times}10^{-4}$), matching the elimination under expert partitioning. Combining annealed exploration with the aligned reward restores collapse in 19/30 runs; with all three specification changes, it rises to 48/100. In this environment, expert partitioning is unnecessary to suppress collapse and appears to mask a training-specification failure rather than confer an intrinsic performance benefit. No MoE $K{=}8$ run collapses under any of the six specifications tested. Across-seed dispersion is lowest at $K{=}8$ but non-monotone and not robust to family-wise adjustment, while within-policy tail risk worsens monotonically with $K$. The apparent attribution of the failure mode reverses between 30 and 100 seeds, illustrating the importance of repeated-seed evaluation.

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۔