跳至正文
返回文库全部文档

深度强化学习用于加密货币做市

文章 arXiv papers · 作者: Jonathan Sadighian
阅读原文

总结

本文概述了一个用于加密货币做市的深度强化学习框架，智能体在模拟交易环境中学习管理库存。该环境使用限价订单簿数据和订单流到达统计量表示市场观察。智能体采用策略梯度算法，前馈神经网络则用于近似其策略或价值函数。

实验比较了两种奖励函数，并使用每日和平均交易收益评估智能体与奖励函数的组合。作者将该框架描述为解决做市商所面临随机库存控制问题的一种方法。所提供的介绍没有说明具体算法、奖励定义、数据集或数值结果，因此无法据此判断其表现能否迁移到实盘市场或其他市场条件。

核心观点

  • 该框架将深度强化学习用于加密货币做市。
  • 智能体观察限价订单簿信息和订单流到达统计量。
  • 策略梯度方法与市场环境交互，并使用前馈神经网络。
  • 研究使用每日和平均交易收益比较了两种奖励函数。
  • 所述应用是做市商的随机库存控制，但介绍中没有提供实施和迁移细节。

标签

加密资产做市机器学习交易执行市场微观结构
全文
# 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.

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。