சந்தை ஏற்ற இறக்கத்திற்கு வலுவூட்டல் கற்றல் (Reinforcement Learning) எவ்வாறு மாற்றியமைக்கிறது

பெரும்பாலான வர்த்தக போட்கள் நிலையானவை. நீங்கள் அளவுருக்களை அமைக்கிறீர்கள், அவை கண்மூடித்தனமாக செயல்படுகின்றன. வலுவூட்டல் கற்றல் (Reinforcement Learning - RL) ஒரு வெகுமதி செயல்பாட்டிற்கு (பொதுவாக லாபம் மற்றும் இழப்பு) மேம்படுத்துதல், சோதனை மற்றும் பிழை மூலம் கற்றுக்கொள்ளும் ஒரு முகவரை அறிமுகப்படுத்துவதன் மூலம் விளையாட்டை மாற்றுகிறது.

வர்த்தகத்தில் RL லூப்

1. முகவர் (Agent): வர்த்தக போட்.
2. சுற்றுச்சூழல் (Environment): சந்தை (விலைகள், ஆர்டர் புத்தகம்).
3. செயல் (Action): வாங்கவும், விற்கவும் அல்லது வைத்திருக்கவும்.
4. வெகுமதி (Reward): லாபம் (நேர்மறை) அல்லது இழப்பு (எதிர்மறை).

முகவர் தொடர்ந்து சந்தையின் நிலையை கவனிக்கிறார், ஒரு நடவடிக்கை எடுக்கிறார், மற்றும் கருத்துக்களைப் பெறுகிறார். மில்லியன் கணக்கான உருவகப்படுத்துதல்களுக்குப் பிறகு, நீண்ட கால வெகுமதிகளை அதிகரிக்கும் கொள்கையை அது கற்றுக்கொள்கிறது.

ஏற்ற இறக்கத்திற்கு ஏற்ப

RL இன் வல்லரசு தழுவல்.

• புல் மார்க்கெட்: "வாங்கிப் பிடி" அதிக வெகுமதியை அளிக்கிறது என்பதை முகவர் அறிந்துகொள்கிறார்.
• சாப்பி மார்க்கெட் (Choppy Market): வைத்திருப்பது டிரா டவுன்களுக்கு வழிவகுக்கிறது என்பதை முகவர் உணர்கிறார், எனவே அது சராசரி-தலைகீழ் பாணிக்கு மாறுகிறது.

நீங்கள் வரம்பை வரையறுக்க வேண்டிய Grid Bots போலல்லாமல், ஒரு RL முகவர் உகந்த வரம்பை மாறும் வகையில் கண்டறிய முடியும்.

RL இன் சவால்கள்

RL மாதிரிகள் மிகையாகப் பொருத்துவதற்கு (overfitting) வாய்ப்புள்ளது - உண்மையான வடிவங்களைக் கற்றுக்கொள்வதற்குப் பதிலாக கடந்தகால இரைச்சலை மனப்பாடம் செய்தல். அதனால்தான் முகவருக்கு சுத்தமான, அர்த்தமுள்ள தரவை வழங்க Feature Engineering முக்கியமானது.