Арбитраж үшін GNN, трансформерлер және RL: нейрондық желілер сауда жасауды үйренгенде

"Фьючерстер мен спот арасындағы күрделі арбитраждық тізбектер" сериясының 5-бөлімі

Шахмат гроссмейстерін елестетіп көріңіз: тақта орнына ол жүздеген сауда жұптары бар он биржаны көреді, ал 32 фигура орнына әр миллисекунд сайын жаңарып отыратын мыңдаған ордерлерді көреді. Bellman-Ford сияқты классикалық алгоритмдер графты адал түрде аралайды, бірақ олар пайдалы циклді тапқанша, мүмкіндік терезесі жабылып та қалады. Бізге басқа тәсіл керек — жай алгоритмдік емес, үйретілген.

Бұл мақалада біз заманауи ML әдістері хаосты көп биржалық нарықты құрылымдалған тапсырмаға қалай айналдыратынын қарастырамыз. Граф нейрондық желілері (GNN), трансформерлер және күшейтілген оқыту (RL) агенттері арбитраж әлемінде мүмкін болатын нәрсені қайта анықтап жатыр.

Арбитражды анықтау мен орындауға арналған ML тәсілдерінің көрінісі: граф нейрондық желілерінен эволюциялық алгоритмдерге дейін.

1. Граф нейрондық желілер: нарық граф болғанда

Көп биржалық крипто нарығы өз табиғаты бойынша граф болып табылады. Түйіндер — активтер (BTC, ETH, SOL) немесе "актив-биржа" жұптары. Қырлар — спредтермен, көлемдермен, комиссиялармен және кідірістермен өлшенген сауда байланыстары.

Классикалық Bellman-Ford тапсырманы $O(V \times E)$ уақытында шешеді. Граф нейрондық желілері (GNN) арбитраж мүмкіндіктерінің алдында келетін үлгілерді тануды үйренеді, бұл кептеліс қайда болатынын сезетін таксист "интуициясына" ұқсас.

1.1 Edge Fusion бар GraphSAGE

Зерттеушілер қырларды біріктірудің арнайы модулі бар GraphSAGE-ті қолдана отырып, мыналарға қол жеткізді:

• F1-score: 0,90 — болжанған мүмкіндіктердің 10-ның 9-ы нақты болып шығады.
• Инференс: CPU-да 78 мс — көптеген арбитраж терезелері үшін жеткілікті жылдам.

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. Трансформерлер: Attention is All You Need

GNN нарықтың құрылымымен жұмыс істесе, трансформерлер деректер ағындарымен жұмыс істейді. Көп бастық өзіндік назар (multi-head self-attention) активтер мен биржалар арасындағы тәуелділіктерді кім кімге әсер ететінін нақты анықтаудың қажеті жоқ түрде қамтиды.

2.1 Көп биржаны біріктіруге арналған көп бастық назар

Назар механизмінің салмақтары қай биржалардың мақсатты биржадағы бағаны болжау үшін ең ақпараттық екенін көрсетеді. Екі биржа арасындағы назар салмағының кенеттен өсуі көбіне жақындап келе жатқан арбитраж мүмкіндігінің белгісі болады.

3. Күшейтілген оқыту: сауда жасауды үйренетін агент

Күшейтілген оқыту (RL) арбитраж мәселесіне табиғи түрде сай келеді. Күй (state) — бұл ордер кітаптары, позициялар мен баланстар. Әрекет (action) — нені, қайда және қандай көлемде сатып алу керектігі. Марапат (reward) — пайда немесе шығын.

3.1 Жылдық 142% табыс

Ең әсерлі нәтиже — DEX-тердегі бәсекелес арбитраж үшін мультиагенттік RL. Мамандандырылған агенттерді (CEX-DEX, cross-chain және үшбұрышты) үйлестіру арқылы зерттеушілер ереже негізіндегі боттардың 12%-ына қарсы жылдық 142% табысқа қол жеткізді.

4. Байес әдістері: белгісіздік — артықшылық ретінде

Байестік онлайн өзгеріс нүктесін анықтау (BOCPD) режим өзгерістерін нақты уақытта анықтайды. Нарықтың "ережелері" өзгергенде, модель мұны танып, стратегияға тоқтап, қайта калибрлеуді ұсынады.

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

5. Біріктірілген архитектура: барлығын біріктіру

Нағыз күш біріктіруден келеді. Rust-тағы біріктірілген конвейер былай көрінеді:

1. Белгілерді өңдеу (Feature Engineering): ордер кітабының белгілері, спредтер, CUSUM/EWMA мониторингі.
2. Анықтау: GNN мен автокодерлер аномалияларды табады.
3. Сигналдарды біріктіру: трансформерлер биржааралық және спот-фьючерстік деректерді біріктіреді.
4. Орындау: RL агенттері оңтайлы көлем мен уақытты анықтайды.
5. Тәуекел: байестік мөлшерлеу және Гаусс процесінің шекаралары.

Жалпы кідіріс бюджеті: Rust және ONNX Runtime көмегімен жалпы конвейер кідірісі < 7,5 мс болуы мүмкін.

6. Қорытынды

Арбитраждағы ML — сиқырлы таяқша емес, керісінше құралдар жиынтығы. GNN құрылымды көреді, трансформерлер деректерді біріктіреді, RL орындайды, ал байес әдістері белгісіздікті басқарады.

Осы серияның соңғы бөлімінде біз мұндай жүйенің Rust-та іске асырылуының егжей-тегжейін, наносекундтық дәлдік пен атомарлы көпаяқты орындауға назар аудара отырып қарастырамыз.

Өз агенттеріңізді үйретіп жатырсыз ба? GitHub-тағы Rust ML Trading Framework жобамызды қараңыз.