GNN, Transformer und RL für Arbitrage: Wenn neuronale Netze das Handeln lernen

Teil 5 der Serie "Komplexe Arbitrage-Ketten zwischen Futures und Spot"

Stellen Sie sich einen Schachgroßmeister vor, der statt eines Brettes zehn Börsen mit Hunderten von Handelspaaren sieht, und statt 32 Figuren Tausende von Orders, die jede Millisekunde aktualisiert werden. Klassische Algorithmen wie Bellman-Ford durchlaufen den Graphen ehrlich, aber bis sie einen profitablen Zyklus finden, hat sich das Zeitfenster der Gelegenheit bereits geschlossen. Wir brauchen einen anderen Ansatz—nicht nur algorithmisch, sondern gelernt.

In diesem Artikel untersuchen wir, wie moderne ML-Methoden den chaotischen Multi-Börsen-Markt in eine strukturierte Aufgabe verwandeln. Graph Neural Networks (GNNs), Transformer und Reinforcement-Learning-Agenten (RL) definieren neu, was in der Welt der Arbitrage möglich ist.

Landschaft der ML-Ansätze für Arbitrage-Erkennung und -Ausführung: von Graph Neural Networks bis zu evolutionären Algorithmen.

1. Graph Neural Networks: Wenn der Markt ein Graph ist

Der Multi-Börsen-Kryptomarkt ist seiner Natur nach ein Graph. Knoten sind Assets (BTC, ETH, SOL) oder "Asset-Börse"-Paare. Kanten sind Handelsverbindungen, gewichtet nach Spreads, Volumen, Gebühren und Latenzen.

Der klassische Bellman-Ford-Algorithmus löst die Aufgabe in $O(V \times E)$. Graph Neural Networks (GNN) lernen, Muster zu erkennen, die Arbitrage-Gelegenheiten vorausgehen, ähnlich der "Intuition" eines Taxifahrers dafür, wo ein Stau entstehen wird.

1.1 GraphSAGE mit Edge Fusion

Mit GraphSAGE und einem speziellen Edge-Fusion-Modul erreichten Forscher:

• F1-Score: 0,90—9 von 10 vorhergesagten Gelegenheiten sind real.
• Inferenz: 78 ms auf CPU—schnell genug für viele Arbitrage-Fenster.

use burn::prelude::*;
use burn::nn::{Linear, LinearConfig, Relu};

#[derive(Module, Debug)]
pub struct EdgeFusionModule<B: Backend> {
    fc1: Linear<B>,
    fc2: Linear<B>,
    fc_out: Linear<B>,
    relu: Relu,
}

2. Transformer: Attention is All You Need

Während GNNs mit der Struktur des Marktes arbeiten, arbeiten Transformer mit Datenströmen. Multi-Head-Self-Attention erfasst Abhängigkeiten zwischen Assets und Börsen, ohne explizit definieren zu müssen, wer wen beeinflusst.

2.1 Multi-Head Attention für Multi-Exchange Fusion

Die Gewichte des Attention-Mechanismus zeigen, welche Börsen am informativsten für die Vorhersage des Preises auf der Zielbörse sind. Ein plötzlicher Anstieg des Attention-Gewichts zwischen zwei Börsen ist oft ein Signal für eine bevorstehende Arbitrage-Gelegenheit.

3. Reinforcement Learning: Der Agent, der handeln lernt

Reinforcement Learning (RL) passt naturgemäß zum Arbitrage-Problem. Der Zustand sind Orderbücher, Positionen und Guthaben. Die Aktion ist, was, wo und in welchem Volumen gehandelt wird. Die Belohnung ist Gewinn oder Verlust.

3.1 142% Jahresrendite

Das beeindruckendste Ergebnis ist Multi-Agent RL für kompetitive Arbitrage auf DEXs. Durch die Koordination spezialisierter Agenten (CEX-DEX, Cross-Chain und Triangular) erzielten Forscher 142% Jahresrendite gegenüber 12% bei regelbasierten Bots.

4. Bayes'sche Methoden: Unsicherheit als Vorteil

Bayesian Online Changepoint Detection (BOCPD) erkennt Regimewechsel in Echtzeit. Wenn sich die "Regeln" des Marktes ändern, erkennt das Modell dies und weist die Strategie an, zu pausieren und neu zu kalibrieren.

/// Regime change detector based on BOCPD
pub struct BocpdDetector {
    lambda: f64,                         // P(changepoint) = 1/lambda
    run_length_probs: Vec<f64>,          // run length distribution
}

5. Integrierte Architektur: Alles zusammenfügen

Wahre Stärke entsteht durch Integration. Eine integrierte Pipeline in Rust sieht so aus:

1. Feature Engineering: Orderbuch-Features, Spreads, CUSUM/EWMA-Monitoring.
2. Erkennung: GNNs und Autoencoder finden Anomalien.
3. Signal Fusion: Transformer verschmelzen Cross-Exchange- und Spot-Futures-Daten.
4. Ausführung: RL-Agenten bestimmen optimale Größe und Timing.
5. Risiko: Bayes'sches Sizing und Gaussian-Process-Grenzen.

Gesamtes Latenzbudget: Mit Rust und ONNX Runtime ist eine Gesamt-Pipeline-Latenz von < 7,5 ms erreichbar.

6. Fazit

ML in der Arbitrage ist keine Wunderwaffe, sondern ein Arsenal von Werkzeugen. GNNs sehen die Struktur, Transformer verschmelzen die Daten, RL führt aus, und Bayes'sche Methoden managen die Unsicherheit.

Im letzten Teil dieser Serie betrachten wir die Details der Rust-Implementierung eines solchen Systems mit Fokus auf Nanosekundenpräzision und atomare Multi-Leg-Ausführung.

Trainieren Sie Ihre eigenen Agenten? Schauen Sie sich unser Rust ML Trading Framework auf GitHub an.