GNN, Transformers y RL para arbitraje: cuando las redes neuronales aprenden a operar

Parte 5 de la serie "Cadenas complejas de arbitraje entre futuros y spot"

Imagina a un gran maestro de ajedrez que, en lugar de un tablero, ve diez exchanges con cientos de pares de trading, y en lugar de 32 piezas, ve miles de órdenes actualizándose cada milisegundo. Los algoritmos clásicos como Bellman-Ford recorren el grafo honestamente, pero para cuando encuentran un ciclo rentable, la ventana de oportunidad ya se ha cerrado. Necesitamos otro enfoque—no solo algorítmico, sino aprendido.

En este artículo exploramos cómo los métodos modernos de ML convierten el caótico mercado multi-exchange en una tarea estructurada. Las redes neuronales de grafos (GNN), los Transformers y los agentes de aprendizaje por refuerzo (RL) están redefiniendo lo que es posible en el mundo del arbitraje.

Panorama de los enfoques de ML para la detección y ejecución de arbitraje: desde redes neuronales de grafos hasta algoritmos evolutivos.

1. Redes neuronales de grafos: cuando el mercado es un grafo

El mercado cripto multi-exchange es un grafo por naturaleza. Los nodos son activos (BTC, ETH, SOL) o pares "activo-exchange". Las aristas son enlaces de trading ponderados por spreads, volúmenes, comisiones y latencias.

El clásico Bellman-Ford resuelve la tarea en $O(V \times E)$. Las redes neuronales de grafos (GNN) aprenden a reconocer patrones que preceden a las oportunidades de arbitraje, similar a la "intuición" de un taxista sobre dónde se formará un atasco.

1.1 GraphSAGE con Edge Fusion

Usando GraphSAGE con un módulo personalizado de fusión de aristas, los investigadores lograron:

• F1-score: 0,90—9 de cada 10 oportunidades predichas son reales.
• Inferencia: 78 ms en CPU—suficientemente rápido para muchas ventanas de arbitraje.

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. Transformers: Attention is All You Need

Si las GNN trabajan con la estructura del mercado, los Transformers trabajan con flujos de datos. La autoatención multi-cabeza captura dependencias entre activos y exchanges sin necesidad de definir explícitamente quién influye sobre quién.

2.1 Atención multi-cabeza para fusión multi-exchange

Los pesos del mecanismo de atención muestran qué exchanges son más informativos para predecir el precio en el exchange objetivo. Un aumento repentino en el peso de atención entre dos exchanges suele ser una señal de una oportunidad de arbitraje inminente.

3. Aprendizaje por refuerzo: el agente que aprende a operar

El aprendizaje por refuerzo (RL) encaja de forma natural con el problema del arbitraje. El estado son los libros de órdenes, posiciones y saldos. La acción es qué operar, dónde y en qué volumen. La recompensa es la ganancia o pérdida.

3.1 142% de rendimiento anual

El resultado más impresionante es el RL multiagente para el arbitraje competitivo en DEXs. Coordinando agentes especializados (CEX-DEX, cross-chain y triangular), los investigadores lograron un 142% de rendimiento anual frente al 12% de los bots basados en reglas.

4. Métodos bayesianos: la incertidumbre como ventaja

La detección bayesiana de puntos de cambio en línea (BOCPD) detecta cambios de régimen en tiempo real. Cuando las "reglas" del mercado cambian, el modelo lo reconoce e indica a la estrategia que se pause y recalibre.

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

5. Arquitectura integrada: uniéndolo todo

El verdadero poder viene de la integración. Un pipeline integrado en Rust se ve así:

1. Ingeniería de características: características del libro de órdenes, spreads, monitoreo CUSUM/EWMA.
2. Detección: GNNs y autoencoders encontrando anomalías.
3. Fusión de señales: Transformers fusionando datos cross-exchange y spot-futuros.
4. Ejecución: agentes RL determinando el tamaño y el momento óptimos.
5. Riesgo: dimensionamiento bayesiano y límites de procesos gaussianos.

Presupuesto total de latencia: con Rust y ONNX Runtime, es posible lograr una latencia total del pipeline de < 7,5 ms.

6. Conclusión

El ML en el arbitraje no es una bala de plata, sino un arsenal de herramientas. Las GNN ven la estructura, los Transformers fusionan los datos, el RL ejecuta y los métodos bayesianos gestionan la incertidumbre.

En la parte final de esta serie, veremos los detalles de la implementación en Rust de un sistema así, centrándonos en la precisión de nanosegundos y la ejecución atómica multi-pata.

¿Entrenas a tus propios agentes? Consulta nuestro Rust ML Trading Framework en GitHub.