加密货币交易对的最佳设置
通过一项在线实验研究了区块链交易市场中交易者对同侪影响的敏感度以及设计选择对市场行为的影响。结果表明交易者的购买行为会导致购买行为的短期活跃,而交易所的设计会对此产生积极的社会和经济影响。
Jan, 2018
提出了一种基于神经网络的算法来利用加密货币衍生资产,以构建一个包含负相关资产对的投资组合,并通过训练深度神经网络来最大化夏普比率,以实现接近一个最小方差策略的资产配置策略,经过 19 个月的实验证明,该算法可在不同市场情况中获利。
Oct, 2023
本文研究了最优订单执行的问题,针对加密货币交易所的多样性,首次尝试通过多个交易所的数据进行交叉验证。与大多数以单一交易所信息为中心的研究不同,我们探讨了交叉交易信号对代理人决策的影响。实验结果表明,交叉交易信号可以为加密货币的最优执行提供额外的信息,以促进执行流程。
Jun, 2023
本文提出了一种名为 C2RM 的模块,可以有效地捕捉比特币与其他加密货币之间的同步和异步影响因素,综合实验结果表明,C2RM 可以帮助现有的价格预测方法显著提高性能,揭示了跨加密货币相互作用对于比特币价格预测的有效性。
Apr, 2022
本研究使用深度强化学习算法 ——PPO、SAC、GAIL,针对三个加密货币市场的交易策略设计问题,通过价格数据和技术指标,实现了基于 Gym 仿真环境的交易策略,测试结果表明该方法有望帮助投资者在市场中获得更高的收益率,且最高收益率为 4850 美元。同时,我们还探讨了在环境设计中特定超参数的使用,可以用于调整所生成策略中的风险。
Jan, 2022
该研究论文讨论的问题是资源的公平高效分配,研究的主要领域是房屋市场,探讨了现有的算法,其中单边交易算法在保证 Pareto 效率、个体合理性和策略无关性方面表现良好,而双边交易算法通过短周期展示了高效的 Pareto 优化分配策略。
Jun, 2019
通过分析历史数据和使用人工智能算法,本文研究了影响加密货币价格的因素以及如何识别风险的加密货币,并通过对链上参数的聚类和分类,得出了 39% 加密货币消失于市场而仅有 10% 存活超过 1000 天的结果,发现了加密货币价格与最大供应量、总供应量之间显著的负相关性,以及与 24 小时交易量之间的弱正相关性。同时,通过对加密货币的聚类,可以更全面地了解其特性,并通过 K - 最近邻算法得到 76% 的最佳 F1 分数,判断加密货币的风险程度。
Aug, 2023
介绍了一种名为 CREDIT 的风险感知代理策略,能够像专业人士一样学习利用长期交易机会进行对冲交易。CREDIT 是首个应用双向 GRU 和时态关注机制,以捕捉两种资产价格走势的长期模式来实现更高的利润的代理策略。实验表明,它在对冲交易中优于现有的强化学习方法,并在五年的美国股票数据中获得了显着的盈利。
Apr, 2023
加密货币论坛与比特币价值波动之间的相互作用的研究,强调论坛数据能够解释金融领域的特定事件,并且强调在某些话题集中讨论、比特币价格触顶以及价格下跌时的引用的相关性。
Nov, 2023