跳至正文
返回文库全部文档

用于加密货币逐笔做市的深度强化学习

文章 arXiv papers · 作者: Jiafa He et al.
阅读原文

总结

文档介绍了一种高频做市框架，将逐笔市场数据与定期预测信号相结合。该框架应用深度强化学习，在制定做市操作时同时利用快速的订单级信息和频率较低的预测。其研究动机是，高容量逐笔数据和复杂的市场状况使得仅凭单一信息来源难以构建有效的流动性供给策略。

报告的评估在模拟情景和使用真实加密货币市场数据的实验中，比较了基于不同深度强化学习算法构建的策略。作者称，与现有方法相比，组合框架提高了盈利能力并改善了风险管理。摘要没有指出具体算法、资产、评估时期、基准或风险指标，因此仅凭这段描述无法评估所报告收益的大小和普遍性。

核心观点

  • 所提出的做市方法将逐笔观测与定期预测信号相结合。
  • 深度强化学习将组合信息映射为做市决策。
  • 该框架的研究动机是高频市场数据的规模和复杂性。
  • 研究使用模拟和真实加密货币数据，评估多种强化学习算法构建的策略。
  • 文档报告了盈利能力和风险管理方面的改善，但未提供足以判断其规模或普遍性的细节。

标签

做市高频交易机器学习加密资产风险管理
全文
# Integrating Tick-level Data and Periodical Signal for High-frequency Market Making


# Integrating Tick-level Data and Periodical Signal for High-frequency Market Making









We focus on the problem of market making in high-frequency trading. Market making is a critical function in financial markets that involves providing liquidity by buying and selling assets. However, the increasing complexity of financial markets and the high volume of data generated by tick-level trading makes it challenging to develop effective market making strategies. To address this challenge, we propose a deep reinforcement learning approach that fuses tick-level data with periodic prediction signals to develop a more accurate and robust market making strategy. Our results of market making strategies based on different deep reinforcement learning algorithms under the simulation scenarios and real data experiments in the cryptocurrency markets show that the proposed framework outperforms existing methods in terms of profitability and risk management.

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。