Modelling crypto markets by multi-agent reinforcement learning

要約

以前の基礎研究 (Lussange et al. 2020) に基づいて、この研究では暗号市場をシミュレートするマルチエージェント強化学習 (MARL) モデルを導入しています。このモデルは、2018 年から継続的に取引されていたバイナンスの日次終値 153 ドルの暗号通貨に合わせて調整されています。
知能ゼロのエージェントや単一の自律エージェント方法論に依存していた以前のエージェントベース モデル (ABM) やマルチエージェント システム (MAS) とは異なり、私たちのアプローチは、モデル化するためにエージェントに強化学習 (RL) 技術を与えることに依存しています。
暗号通貨市場。
この統合は、複雑さの推論に対するボトムアップのアプローチで、個別エージェントと集合エージェントの両方をエミュレートするように設計されており、このような市場の最近の不安定な状況や新型コロナウイルス感染症の時代における堅牢性を確保します。
私たちのモデルの重要な特徴は、その自律エージェントが 2 つの情報源、つまり市場価格そのものと、それらの市場価格を超えた暗号資産の基礎的価値の近似値に基づいて資産価格評価を実行するという事実にもあります。
実際の市場データに対する当社の MAS キャリブレーションにより、仮想通貨市場の微細構造を正確にエミュレーションし、特定の期間の弱気体制と強気体制の両方で主要な市場行動を調査することが可能になります。

要約(オリジナル)

Building on a previous foundation work (Lussange et al. 2020), this study introduces a multi-agent reinforcement learning (MARL) model simulating crypto markets, which is calibrated to the Binance’s daily closing prices of $153$ cryptocurrencies that were continuously traded between 2018 and 2022. Unlike previous agent-based models (ABM) or multi-agent systems (MAS) which relied on zero-intelligence agents or single autonomous agent methodologies, our approach relies on endowing agents with reinforcement learning (RL) techniques in order to model crypto markets. This integration is designed to emulate, with a bottom-up approach to complexity inference, both individual and collective agents, ensuring robustness in the recent volatile conditions of such markets and during the COVID-19 era. A key feature of our model also lies in the fact that its autonomous agents perform asset price valuation based on two sources of information: the market prices themselves, and the approximation of the crypto assets fundamental values beyond what those market prices are. Our MAS calibration against real market data allows for an accurate emulation of crypto markets microstructure and probing key market behaviors, in both the bearish and bullish regimes of that particular time period.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google