Arbitraj uchun GNN, transformerlar va RL: neyron tarmoqlar savdo qilishni o'rganganda

"Fyucherslar va spot o'rtasidagi murakkab arbitraj zanjirlari" turkumining 5-qismi

Shaxmat gross-ustasini tasavvur qiling: taxta o'rniga u yuzlab savdo juftliklariga ega o'nta birjani ko'radi, 32 dona shaxmat donasi o'rniga esa har millisekundda yangilanadigan minglab buyurtmalarni ko'radi. Bellman-Ford kabi klassik algoritmlar grafni halol tarzda aylanib chiqadi, lekin ular foydali siklni topguncha, imkoniyat oynasi allaqachon yopilib bo'ladi. Bizga boshqacha yondashuv kerak — nafaqat algoritmik, balki o'rgatilgan.

Ushbu maqolada biz zamonaviy ML usullari xaotik ko'p birjali bozorni tuzilgan vazifaga qanday aylantirishini ko'rib chiqamiz. Graf neyron tarmoqlari (GNN), transformerlar va mustahkamlantirilgan o'qitish (RL) agentlari arbitraj dunyosida nima mumkinligini qayta belgilamoqda.

Arbitrajni aniqlash va bajarish uchun ML yondashuvlari manzarasi: graf neyron tarmoqlaridan evolyutsion algoritmlargacha.

1. Graf neyron tarmoqlari: bozor graf bo'lganda

Ko'p birjali kripto bozori o'z tabiatiga ko'ra grafdir. Tugunlar — aktivlar (BTC, ETH, SOL) yoki "aktiv-birja" juftliklari. Qirralar — spredlar, hajmlar, komissiyalar va kechikishlar bilan og'irlashtirilgan savdo bog'lanishlaridir.

Klassik Bellman-Ford vazifani $O(V \times E)$ vaqtida hal qiladi. Graf neyron tarmoqlari (GNN) arbitraj imkoniyatlaridan oldin keladigan naqshlarni tanib olishni o'rganadi, bu taksichining tirbandlik qayerda bo'lishini his qiladigan "intuitsiyasi"ga o'xshaydi.

1.1 Edge Fusion bilan GraphSAGE

Tadqiqotchilar qirralarni birlashtiruvchi maxsus modul bilan GraphSAGEdan foydalanib, quyidagilarga erishdilar:

• F1-ball: 0,90 — bashorat qilingan imkoniyatlarning 10 tasidan 9 tasi haqiqiy bo'lib chiqadi.
• Inferens: CPU'da 78 ms — ko'plab arbitraj oynalar uchun yetarlicha tez.

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. Transformerlar: Attention is All You Need

GNN bozorning tuzilishi bilan ishlasa, transformerlar ma'lumot oqimlari bilan ishlaydi. Ko'p boshli o'z-o'ziga e'tibor (multi-head self-attention) aktivlar va birjalar o'rtasidagi bog'liqliklarni kim kimga ta'sir qilishini aniq belgilashga hojat qoldirmasdan qamrab oladi.

2.1 Ko'p birjani birlashtirish uchun ko'p boshli e'tibor

E'tibor mexanizmining og'irliklari qaysi birjalar maqsadli birjadagi narxni bashorat qilish uchun eng ma'lumotli ekanini ko'rsatadi. Ikki birja o'rtasidagi e'tibor og'irligining keskin ko'tarilishi ko'pincha yaqinlashib kelayotgan arbitraj imkoniyatining belgisidir.

3. Mustahkamlantirilgan o'qitish: savdo qilishni o'rganadigan agent

Mustahkamlantirilgan o'qitish (RL) arbitraj masalasiga tabiiy ravishda mos keladi. Holat — bu buyurtmalar kitobi, pozitsiyalar va balanslar. Harakat — nimani, qayerda va qanday hajmda savdo qilish kerakligi. Mukofot — foyda yoki zarar.

3.1 Yillik 142 foiz daromad

Eng ta'sirli natija — DEXlarda raqobatbardosh arbitraj uchun ko'p agentli RL. Ixtisoslashgan agentlarni (CEX-DEX, cross-chain va uchburchak) muvofiqlashtirish orqali tadqiqotchilar qoidaga asoslangan botlarning 12 foiziga qarshi yillik 142 foiz daromadga erishdilar.

4. Bayes usullari: noaniqlik — afzallik sifatida

Bayes onlayn o'zgarish nuqtasini aniqlash (BOCPD) rejim o'zgarishlarini real vaqtda aniqlaydi. Bozorning "qoidalari" o'zgarganda, model buni tanib oladi va strategiyaga to'xtab, qayta kalibrlashni buyuradi.

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

5. Yaxlit arxitektura: hammasini birlashtirish

Haqiqiy kuch integratsiyadan keladi. Rust'dagi yaxlit quvur liniyasi quyidagicha ko'rinadi:

1. Xususiyatlar muhandisligi: buyurtmalar kitobi xususiyatlari, spredlar, CUSUM/EWMA monitoringi.
2. Aniqlash: GNN va avtokoderlar anomaliyalarni topadi.
3. Signallarni birlashtirish: transformerlar birjalararo va spot-fyuchers ma'lumotlarini birlashtiradi.
4. Bajarish: RL agentlari optimal hajm va vaqtni belgilaydi.
5. Xavf: Bayes o'lchamlashtirishi va Gauss jarayoni chegaralari.

Umumiy kechikish byudjeti: Rust va ONNX Runtime yordamida umumiy quvur liniyasi kechikishi < 7,5 ms ga erishish mumkin.

6. Xulosa

Arbitrajdagi ML sehrli tayoqcha emas, balki vositalar arsenalidir. GNN tuzilishni ko'radi, transformerlar ma'lumotlarni birlashtiradi, RL bajaradi, Bayes usullari esa noaniqlikni boshqaradi.

Ushbu turkumning yakuniy qismida biz shunday tizimning Rust'da amalga oshirilishi tafsilotlarini, nanosekund aniqligi va atomar ko'p oyoqli bajarilishga e'tibor qaratgan holda ko'rib chiqamiz.

O'z agentlaringizni o'qityapsizmi? GitHub'dagi Rust ML Trading Framework loyihamizga qarang.