Арбитраж үчүн GNN, трансформерлер жана RL: нейрондук тармактар соода кылууну үйрөнгөндө

"Фьючерстер менен спот ортосундагы татаал арбитраждык чынжырлар" сериясынын 5-бөлүгү

Шахмат гроссмейстерин элестетип көрүңүз: тактанын ордуна ал жүздөгөн соода жуптары бар он биржаны көрөт, ал 32 фигуранын ордуна ар миллисекунд сайын жаңырып турган миңдеген ордерлерди көрөт. Bellman-Ford сыяктуу классикалык алгоритмдер графты чынчылдык менен кыдырат, бирок алар пайдалуу циклди тапканга чейин, мүмкүнчүлүк терезеси жабылып калат. Бизге башка ыкма керек — жөн гана алгоритмдик эмес, үйрөтүлгөн.

Бул макалада биз заманбап ML ыкмалары дүрбөлөңдүү көп биржалык рынокту структураланган тапшырмага кантип айландырарын карап чыгабыз. Граф нейрондук тармактары (GNN), трансформерлер жана бекемделген окутуу (RL) агенттери арбитраж дүйнөсүндө мүмкүн болгон нерселерди кайра аныктап жатышат.

Арбитражды аныктоо жана аткаруу үчүн ML ыкмаларынын пейзажы: граф нейрондук тармактарынан эволюциялык алгоритмдерге чейин.

1. Граф нейрондук тармактар: рынок граф болгондо

Көп биржалык крипто рыногу өз табияты боюнча граф болуп саналат. Түйүндөр — активдер (BTC, ETH, SOL) же "актив-биржа" жуптары. Кырлар — спреддер, көлөмдөр, комиссиялар жана кечигүүлөр менен салмактанган соода байланыштары.

Классикалык Bellman-Ford тапшырманы $O(V \times E)$ убакытында чечет. Граф нейрондук тармактары (GNN) арбитраж мүмкүнчүлүктөрүнөн мурда келүүчү үлгүлөрдү таанууну үйрөнөт, бул кептелиш кайда боло турганын сезген таксичинин "интуициясына" окшош.

1.1 Edge Fusion менен GraphSAGE

Изилдөөчүлөр кырларды бириктирүүнүн атайын модулу бар GraphSAGEти колдонуп, төмөнкүлөргө жетишишти:

• F1-score: 0,90 — божомолдонгон мүмкүнчүлүктөрдүн 10дон 9у чыныгы болуп чыгат.
• Инференс: CPUда 78 мс — көптөгөн арбитраж терезелери үчүн жетиштүү тез.

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 рыноктун структурасы менен иштесе, трансформерлер маалымат агымдары менен иштейт. Көп башчылуу өз-өзүнө көңүл буруу (multi-head self-attention) активдер менен биржалардын ортосундагы көз карандылыктарды ким кимге таасир этерин так аныктоонун кереги жок түрдө камтыйт.

2.1 Көп биржаны бириктирүү үчүн көп башчылуу көңүл буруу

Көңүл буруу механизминин салмактары кайсы биржалардын максаттуу биржадагы баанын божомолдоо үчүн эң маалыматтуу экенин көрсөтөт. Эки биржанын ортосундагы көңүл буруу салмагынын капысынан өсүшү көбүнчө жакындап келе жаткан арбитраж мүмкүнчүлүгүнүн белгиси болот.

3. Бекемделген окутуу: соода кылууну үйрөнгөн агент

Бекемделген окутуу (RL) арбитраж маселесине табигый түрдө туура келет. Абал (state) — бул ордер китептери, позициялар жана баланстар. Аракет (action) — эмнени, кайда жана кайсы көлөмдө соодалоо керек экени. Сыйлык (reward) — пайда же чыгым.

3.1 Жылдык 142% киреше

Эң таасирдүү жыйынтык — DEXтердеги атаандаш арбитраж үчүн мультиагенттик RL. Адистештирилген агенттерди (CEX-DEX, cross-chain жана үч бурчтуу) координациялоо аркылуу изилдөөчүлөр эреже негизиндеги боттордун 12%ына каршы жылдык 142% кирешеге жетишишти.

4. Байес ыкмалары: белгисиздик — артыкчылык катары

Байестик онлайн өзгөрүү чекитин аныктоо (BOCPD) режим өзгөрүүлөрүн реалдуу убакытта аныктайт. Рыноктун "эрежелери" өзгөргөндө, модель муну таанып, стратегияга токтоп, кайра калибрлөөнү сунуштайт.

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

5. Бириктирилген архитектура: баарын бириктирүү

Чыныгы күч бириктирүүдөн келет. Rustтагы бириктирилген түтүк мындай көрүнөт:

1. Белгилерди иштетүү (Feature Engineering): ордер китебинин белгилери, спреддер, CUSUM/EWMA мониторинги.
2. Аныктоо: GNN жана автокодерлер аномалияларды табат.
3. Сигналдарды бириктирүү: трансформерлер биржа аралык жана спот-фьючерстик маалыматтарды бириктирет.
4. Аткаруу: RL агенттери оптималдуу көлөм менен убакытты аныктайт.
5. Тобокел: байестик өлчөө жана Гаусс процессинин чектери.

Жалпы кечигүү бюджети: Rust жана ONNX Runtime менен жалпы түтүктүн кечигүүсү < 7,5 мс жетишүүгө болот.

6. Корутунду

Арбитраждагы ML — сыйкырдуу таяк эмес, тескерисинче куралдардын арсеналы. GNN структураны көрөт, трансформерлер маалыматты бириктирет, RL аткарат, ал эми байес ыкмалары белгисиздикти башкарат.

Бул сериянын акыркы бөлүгүндө биз мындай системанын Rustта ишке ашырылышынын майда-чүйдөсүнө чейин, наносекунддук тактыкка жана атомардык көп бутактуу аткарууга көңүл буруп карайбыз.

Өз агенттериңизди үйрөтүп жатасызбы? GitHubдагы Rust ML Trading Framework долбоорубузду караңыз.