Phân tích Bayes nhân quả cho học tăng cường trong tiền mã hóa

Tóm tắt

Bài báo giới thiệu CausalReinforceNet, một khuôn khổ nhằm đưa phân tích nhân quả vào các quyết định học tăng cường trong giao dịch tiền mã hóa. Khuôn khổ kết hợp kỹ thuật Bayes và mạng Bayes động với học tăng cường, nhằm giúp tác nhân suy luận về các mối quan hệ thị trường khi chọn giao dịch. Nghiên cứu áp dụng khuôn khổ này cho Binance Coin, Ethereum, Litecoin, Ripple và Tether.

Các tác giả xây dựng hai tác nhân bằng những thuật toán học tăng cường khác nhau và so sánh chúng với chiến lược mua rồi nắm giữ cùng mô hình RL cơ sở. Họ báo cáo khuôn khổ nhân quả tạo ra lợi nhuận cao hơn cả hai phương pháp đối chiếu, trong khi hiệu quả khác nhau giữa các đồng tiền mã hóa được nghiên cứu. Phần tóm tắt không nêu giai đoạn lấy mẫu, chi phí giao dịch, kết quả đã điều chỉnh theo rủi ro, thiết kế kiểm định hay liệu phát hiện có áp dụng ngoài các tài sản được đánh giá hay không. Vì vậy, mức sinh lời được báo cáo chỉ mô tả các phép so sánh trong nghiên cứu, chứ không xác lập hiệu quả giao dịch nói chung.

Ý chính

• CausalReinforceNet kết hợp kỹ thuật Bayes và mạng Bayes động với học tăng cường.
• Khuôn khổ được đánh giá trên năm đồng tiền mã hóa nổi bật.
• Hai tác nhân sử dụng các thuật toán học tăng cường khác nhau.
• Các phép so sánh được báo cáo gồm chiến lược mua rồi nắm giữ và mô hình học tăng cường cơ sở.
• Mức sinh lời được báo cáo khác nhau giữa các đồng tiền mã hóa, và phần mô tả không cung cấp các chi tiết đánh giá quan trọng.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.