GNN, Transformer, dan RL untuk Arbitraj: Apabila Rangkaian Neural Belajar Berdagang

Bahagian 5 daripada siri "Rantaian Arbitraj Kompleks Antara Niaga Hadapan dan Spot"

Bayangkan seorang grandmaster catur yang, sebagai ganti papan, melihat sepuluh bursa dengan ratusan pasangan dagangan, dan sebagai ganti 32 buah catur, melihat ribuan pesanan yang dikemas kini setiap milisaat. Algoritma klasik seperti Bellman-Ford dengan jujur melintasi graf, tetapi pada masa mereka menemui kitaran yang menguntungkan, tetingkap peluang telah pun tertutup. Kita memerlukan pendekatan lain—bukan sekadar algoritmik, tetapi dipelajari.

Dalam artikel ini, kami meneroka bagaimana kaedah ML moden mengubah pasaran berbilang bursa yang huru-hara menjadi tugas yang berstruktur. Rangkaian Neural Graf (GNN), Transformer, dan ejen Pembelajaran Pengukuhan (RL) sedang mentakrifkan semula apa yang mungkin dalam dunia arbitraj.

Lanskap pendekatan ML untuk pengesanan dan pelaksanaan arbitraj: daripada rangkaian neural graf hingga algoritma evolusi.

1. Rangkaian Neural Graf: Apabila Pasaran adalah Graf

Pasaran kripto berbilang bursa adalah graf mengikut sifatnya. Nod adalah aset (BTC, ETH, SOL) atau pasangan "aset-bursa". Tepi adalah pautan dagangan yang diberi berat oleh spread, volum, yuran, dan kependaman.

Bellman-Ford klasik menyelesaikan tugas dalam $O(V \times E)$. Rangkaian Neural Graf (GNN) belajar untuk mengenali corak yang mendahului peluang arbitraj, serupa dengan "intuisi" pemandu teksi tentang di mana kesesakan lalu lintas akan berlaku.

1.1 GraphSAGE dengan Penggabungan Tepi

Menggunakan GraphSAGE dengan modul penggabungan tepi tersuai, para penyelidik mencapai:

• Skor F1: 0.90—9 daripada 10 peluang yang diramal adalah nyata.
• Inferens: 78 ms pada CPU—cukup pantas untuk banyak tetingkap arbitraj.

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: Perhatian adalah Segala-galanya

Jika GNN bekerja dengan struktur pasaran, Transformer bekerja dengan aliran data. Perhatian kendiri berbilang kepala menangkap kebergantungan merentasi aset dan bursa tanpa perlu mentakrifkan secara eksplisit siapa yang mempengaruhi siapa.

2.1 Perhatian Berbilang Kepala untuk Penggabungan Berbilang Bursa

Berat mekanisme perhatian menunjukkan bursa mana yang paling bermaklumat untuk meramal harga di bursa sasaran. Lonjakan berat perhatian antara dua bursa sering kali merupakan isyarat peluang arbitraj yang akan datang.

3. Pembelajaran Pengukuhan: Ejen yang Belajar Berdagang

Pembelajaran Pengukuhan (RL) secara semula jadi sesuai dengan masalah arbitraj. Keadaan adalah buku pesanan, kedudukan, dan baki. Tindakan adalah apa yang hendak didagangkan, di mana, dan dalam volum berapa. Ganjaran adalah keuntungan atau kerugian.

3.1 Pulangan Tahunan 142%

Hasil yang paling mengagumkan adalah RL Berbilang Ejen untuk arbitraj kompetitif pada DEX. Dengan menyelaraskan ejen khusus (CEX-DEX, Rentas-Rantai, dan Segitiga), para penyelidik mencapai pulangan tahunan 142% berbanding 12% untuk bot berasaskan peraturan.

4. Kaedah Bayesian: Ketidakpastian sebagai Kelebihan

Pengesanan Titik Perubahan Dalam Talian Bayesian (BOCPD) mengesan perubahan rejim dalam masa nyata. Apabila "peraturan" pasaran berubah, model mengenalinya dan memberitahu strategi untuk berhenti sebentar dan mengkalibrasi semula.

/// Pengesan perubahan rejim berdasarkan BOCPD
pub struct BocpdDetector {
    lambda: f64,                         // P(changepoint) = 1/lambda
    run_length_probs: Vec<f64>,          // taburan panjang larian
}

5. Seni Bina Bersepadu: Menyatukan Semua

Kuasa sebenar datang daripada integrasi. Saluran paip bersepadu pada Rust kelihatan seperti ini:

1. Kejuruteraan Ciri: Ciri buku pesanan, spread, pemantauan CUSUM/EWMA.
2. Pengesanan: GNN dan Autoenkoder mencari anomali.
3. Penggabungan Isyarat: Transformer menggabungkan data rentas bursa dan spot-niaga hadapan.
4. Pelaksanaan: Ejen RL menentukan saiz dan masa yang optimum.
5. Risiko: Pensaizan Bayesian dan sempadan Proses Gaussian.

Bajet Kependaman Jumlah: Dengan Rust dan ONNX Runtime, kependaman saluran paip jumlah < 7.5 ms boleh dicapai.

6. Kesimpulan

ML dalam arbitraj bukan peluru perak, tetapi senjata alat. GNN melihat struktur, Transformer menggabungkan data, RL melaksanakan, dan kaedah Bayesian mengurus ketidakpastian.

Dalam bahagian akhir siri ini, kami akan melihat butiran Pelaksanaan Rust bagi sistem sedemikian, dengan memberi tumpuan kepada ketepatan nanosaat dan pelaksanaan berbilang kaki yang atomik.

Melatih ejen anda sendiri? Semak Rangka Kerja Dagangan ML Rust kami di GitHub.