跳至正文
返回文库全部文档

用于加密货币强化学习的因果贝叶斯分析

文章 arXiv papers · 作者: Rasoul Amirzadeh et al.
阅读原文

总结

本文介绍 CausalReinforceNet 框架，旨在将因果分析纳入加密货币交易的强化学习决策。该框架将贝叶斯网络与动态贝叶斯网络方法同强化学习结合，力求帮助智能体在选择交易时推理市场关系。研究将这一框架应用于 Binance Coin、Ethereum、Litecoin、Ripple 和 Tether。

作者使用不同的强化学习算法构建两个智能体，并将其与买入并持有策略和基准 RL 模型进行比较。他们报告称，该因果框架的盈利能力高于这两种比较方法，但其效果因所研究的加密货币而异。摘要没有说明样本时期、交易成本、风险调整后结果、验证设计，也没有说明这些发现是否适用于评估资产以外的对象。因此，报告的盈利能力仅描述该研究中的比较结果，并未证明一般性的交易表现。

核心观点

  • CausalReinforceNet 将贝叶斯网络和动态贝叶斯网络技术与强化学习结合起来。
  • 该框架在五种主要加密货币上进行评估。
  • 两个智能体使用不同的强化学习算法。
  • 报告的比较对象包括买入并持有策略和基准强化学习模型。
  • 报告的盈利能力因加密货币而异，所提供的描述也省略了关键评估细节。

标签

加密资产机器学习统计学回测
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。