کرپٹو پیئر ٹریڈنگ میں ڈائنامک سائزنگ کے لیے ری اِنفورسمنٹ لرننگ

خلاصہ

یہ مطالعہ جانچتا ہے کہ ری اِنفورسمنٹ لرننگ کرپٹو کرنسی پیئر ٹریڈنگ بہتر بنا سکتی ہے یا نہیں؛ یہ شماریاتی آربیٹریج کا ایسا طریقہ ہے جو باہم مربوط اثاثوں کی قیمتوں کے فرق میں ٹریڈ کرتا ہے۔ مصنفین ٹریڈنگ ماحول بناتے اور ایجنٹس کو یہ منتخب کرنے کی تربیت دیتے ہیں کہ کرپٹو کرنسی کے جوڑوں میں کب اور کیسے ٹریڈ کرنی ہے۔ وہ سیکھنے کے کام کے لیے انعام کی تشکیل اور مشاہدے و ایکشن کی جگہیں بھی تیار کرتے ہیں، تاکہ ٹریڈنگ فیصلے وقت کے ساتھ ڈھل سکیں۔

تجربات میں ایک منٹ کے BTC-GBP اور BTC-EUR ڈیٹا استعمال ہوئے۔ روایتی پیئر ٹریڈنگ کا رپورٹ شدہ سالانہ منافع 8.33% ہے، جبکہ آزمائے گئے ری اِنفورسمنٹ لرننگ ایجنٹس کے لیے سیکھنے والے کے لحاظ سے یہ حد 9.94% سے 31.53% تک ہے۔ یہ نتائج رپورٹ شدہ تجربات میں بہتر تاریخی کارکردگی ظاہر کرتے ہیں، لیکن بذاتِ خود لائیو منافع ثابت نہیں کرتے۔ دستاویز ٹرانزیکشن اخراجات، خطرے کے مطابق موازنے یا نمونے سے باہر توثیق کی تفصیلات نہیں دیتی، اس لیے نتائج کو بیان کردہ ڈیٹا اور جائزے کی حدود میں سمجھنا چاہیے۔

اہم خیالات

• مطالعہ باہم مربوط کرپٹو کرنسیوں کے پیئر ٹریڈنگ پر ری اِنفورسمنٹ لرننگ لاگو کرتا ہے۔
• ایجنٹس کو تیار کردہ ماحول میں ٹریڈ کے وقت اور حجم کا انتخاب کرنے کی تربیت دی جاتی ہے۔
• اس طریقے میں حسبِ ضرورت انعام کی تشکیل اور مشاہدے و ایکشن کی جگہیں استعمال ہوتی ہیں۔
• تجربات میں ایک منٹ کے وقفوں پر BTC-GBP اور BTC-EUR شامل ہیں۔
• رپورٹ شدہ RL منافع کی حد روایتی اسٹریٹیجی کے نتیجے سے زیادہ ہے، لیکن خلاصہ لائیو مضبوطی اور اخراجات پر ابہام چھوڑتا ہے۔

ٹیگز

# Reinforcement Learning Pair Trading: A Dynamic Scaling approach


# Reinforcement Learning Pair Trading: A Dynamic Scaling approach









Cryptocurrency is a cryptography-based digital asset with extremely volatile prices. Around USD 70 billion worth of cryptocurrency is traded daily on exchanges. Trading cryptocurrency is difficult due to the inherent volatility of the crypto market. This study investigates whether Reinforcement Learning (RL) can enhance decision-making in cryptocurrency algorithmic trading compared to traditional methods. In order to address this question, we combined reinforcement learning with a statistical arbitrage trading technique, pair trading, which exploits the price difference between statistically correlated assets. We constructed RL environments and trained RL agents to determine when and how to trade pairs of cryptocurrencies. We developed new reward shaping and observation/action spaces for reinforcement learning. We performed experiments with the developed reinforcement learner on pairs of BTC-GBP and BTC-EUR data separated by 1 min intervals (n=263,520). The traditional non-RL pair trading technique achieved an annualized profit of 8.33%, while the proposed RL-based pair trading technique achieved annualized profits from 9.94% to 31.53%, depending upon the RL learner. Our results show that RL can significantly outperform manual and traditional pair trading techniques when applied to volatile markets such as~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۔