GNN, Transformer, dan RL untuk Arbitrase: Ketika Jaringan Saraf Belajar Berdagang

Bagian 5 dari seri "Rantai Arbitrase Kompleks antara Futures dan Spot"

Bayangkan seorang grandmaster catur yang, alih-alih papan, melihat sepuluh bursa dengan ratusan pasangan perdagangan, dan alih-alih 32 bidak, melihat ribuan order yang diperbarui setiap milidetik. Algoritma klasik seperti Bellman-Ford dengan jujur menelusuri graf, tetapi saat mereka menemukan siklus yang menguntungkan, jendela peluang sudah tertutup. Kita membutuhkan pendekatan lain—bukan sekadar algoritmik, melainkan dipelajari.

Dalam artikel ini, kita mengeksplorasi bagaimana metode ML modern mengubah pasar multi-bursa yang kacau menjadi tugas yang terstruktur. Graph Neural Networks (GNN), Transformer, dan agen Reinforcement Learning (RL) mendefinisikan ulang apa yang mungkin dalam dunia arbitrase.

Lanskap pendekatan ML untuk deteksi dan eksekusi arbitrase: dari jaringan saraf graf hingga algoritma evolusioner.

1. Graph Neural Networks: Ketika Pasar adalah Graf

Pasar kripto multi-bursa secara alami merupakan sebuah graf. Node adalah aset (BTC, ETH, SOL) atau pasangan "aset-bursa". Edge adalah tautan perdagangan yang diberi bobot berdasarkan spread, volume, biaya, dan latensi.

Bellman-Ford klasik menyelesaikan tugas dalam $O(V \times E)$. Graph Neural Networks (GNN) belajar untuk mengenali pola yang mendahului peluang arbitrase, mirip dengan "intuisi" pengemudi taksi tentang di mana kemacetan akan terjadi.

1.1 GraphSAGE dengan Edge Fusion

Menggunakan GraphSAGE dengan modul edge fusion kustom, para peneliti mencapai:

• F1-score: 0,90—9 dari 10 peluang yang diprediksi adalah nyata.
• Inferensi: 78 ms di CPU—cukup cepat untuk banyak jendela arbitrase.

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

Jika GNN bekerja dengan struktur pasar, Transformer bekerja dengan aliran data. Multi-head self-attention menangkap ketergantungan antar aset dan bursa tanpa perlu mendefinisikan secara eksplisit siapa yang memengaruhi siapa.

2.1 Multi-Head Attention untuk Fusi Multi-Bursa

Bobot mekanisme attention menunjukkan bursa mana yang paling informatif untuk memprediksi harga di bursa target. Lonjakan bobot attention antara dua bursa sering kali merupakan sinyal peluang arbitrase yang akan segera terjadi.

3. Reinforcement Learning: Agen yang Belajar Berdagang

Reinforcement Learning (RL) secara alami cocok dengan masalah arbitrase. State adalah order book, posisi, dan saldo. Action adalah apa yang diperdagangkan, di mana, dan dalam volume berapa. Reward adalah keuntungan atau kerugian.

3.1 Return Tahunan 142%

Hasil paling mengesankan adalah Multi-Agent RL untuk arbitrase kompetitif pada DEX. Dengan mengoordinasikan agen-agen yang terspesialisasi (CEX-DEX, Cross-Chain, dan Triangular), para peneliti mencapai return tahunan 142% dibandingkan 12% untuk bot berbasis aturan.

4. Metode Bayesian: Ketidakpastian sebagai Keunggulan

Bayesian Online Changepoint Detection (BOCPD) mendeteksi perubahan rezim secara real-time. Ketika "aturan" pasar berubah, model mengenalinya dan memberi tahu strategi untuk berhenti sejenak dan melakukan rekalibrasi.

/// Detektor perubahan rezim berbasis BOCPD
pub struct BocpdDetector {
    lambda: f64,                         // P(changepoint) = 1/lambda
    run_length_probs: Vec<f64>,          // distribusi run length
}

5. Arsitektur Terintegrasi: Menyatukan Semuanya

Kekuatan sejati datang dari integrasi. Pipeline terintegrasi di Rust terlihat seperti ini:

1. Feature Engineering: Fitur order book, spread, pemantauan CUSUM/EWMA.
2. Deteksi: GNN dan Autoencoder menemukan anomali.
3. Fusi Sinyal: Transformer menggabungkan data lintas-bursa dan spot-futures.
4. Eksekusi: Agen RL menentukan ukuran dan waktu yang optimal.
5. Risiko: Sizing Bayesian dan batas Gaussian Process.

Total Anggaran Latensi: Dengan Rust dan ONNX Runtime, total latensi pipeline < 7,5 ms dapat dicapai.

6. Kesimpulan

ML dalam arbitrase bukan peluru perak, melainkan sebuah gudang alat. GNN melihat struktur, Transformer menggabungkan data, RL mengeksekusi, dan metode Bayesian mengelola ketidakpastian.

Pada bagian terakhir dari seri ini, kita akan melihat detail Implementasi Rust dari sistem semacam itu, dengan fokus pada presisi nanodetik dan eksekusi multi-leg yang atomik.

Melatih agen Anda sendiri? Lihat Rust ML Trading Framework kami di GitHub.