आर्बिट्राज के लिए GNN, ट्रांसफॉर्मर और RL: जब न्यूरल नेटवर्क ट्रेडिंग सीखते हैं

श्रृंखला "फ्यूचर्स और स्पॉट के बीच जटिल आर्बिट्राज चेन" का भाग 5

एक शतरंज ग्रैंडमास्टर की कल्पना करें, जो बोर्ड के बजाय सैकड़ों ट्रेडिंग जोड़ों वाले दस एक्सचेंज देखता है, और 32 मोहरों के बजाय हर मिलीसेकंड अपडेट होने वाले हजारों ऑर्डर देखता है। बेलमैन-फोर्ड जैसे क्लासिक एल्गोरिदम ईमानदारी से ग्राफ को खोजते हैं, लेकिन जब तक वे लाभदायक चक्र ढूंढते हैं, तब तक अवसर की खिड़की पहले ही बंद हो चुकी होती है। हमें एक अलग दृष्टिकोण चाहिए—केवल एल्गोरिदमिक नहीं, बल्कि सीखा हुआ।

इस लेख में, हम पड़ताल करते हैं कि आधुनिक ML तरीके अराजक मल्टी-एक्सचेंज बाजार को एक संरचित कार्य में कैसे बदलते हैं। ग्राफ न्यूरल नेटवर्क (GNN), ट्रांसफॉर्मर और रीइन्फोर्समेंट लर्निंग (RL) एजेंट आर्बिट्राज की दुनिया में जो संभव है, उसे फिर से परिभाषित कर रहे हैं।

Overview of ML Methods for Arbitrage आर्बिट्राज पहचान और निष्पादन के लिए ML दृष्टिकोणों का परिदृश्य: ग्राफ न्यूरल नेटवर्क से लेकर विकासवादी एल्गोरिदम तक।

Graph Neural Network architecture for financial market analysis

1. ग्राफ न्यूरल नेटवर्क: जब बाजार एक ग्राफ है

मल्टी-एक्सचेंज क्रिप्टो बाजार अपने स्वभाव से एक ग्राफ है। नोड्स एसेट्स (BTC, ETH, SOL) या "एसेट-एक्सचेंज" जोड़े हैं। एज ट्रेडिंग लिंक हैं, जिन्हें स्प्रेड, वॉल्यूम, फीस और लेटेंसी के आधार पर भारित किया जाता है।

क्लासिक बेलमैन-फोर्ड इस कार्य को $O(V \times E)$ में हल करता है। ग्राफ न्यूरल नेटवर्क (GNN) उन पैटर्न को पहचानना सीखते हैं जो आर्बिट्राज अवसरों से पहले होते हैं, ठीक उसी तरह जैसे टैक्सी ड्राइवर की "अंतर्ज्ञान" यह अनुमान लगाती है कि ट्रैफिक जाम कहाँ होगा।

1.1 एज फ्यूजन के साथ GraphSAGE

एक कस्टम एज फ्यूजन मॉड्यूल के साथ GraphSAGE का उपयोग करते हुए, शोधकर्ताओं ने हासिल किया:

F1-स्कोर: 0.90—यह प्रिसिशन (0.89: चिह्नित 10 में से लगभग 9 अवसर वास्तविक होते हैं) और रिकॉल (0.92: मॉडल 92% वास्तविक अवसर पकड़ता है) का हार्मोनिक माध्य है।
इनफरेंस: CPU पर प्रति ग्राफ 78 ms—बैकग्राउंड स्कोरिंग के लिए ठीक, लेकिन क्रिटिकल एग्जीक्यूशन पाथ के लिए बहुत धीमा (सेक्शन 5 देखें)।

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. ट्रांसफॉर्मर: Attention is All You Need

यदि GNN बाजार की संरचना के साथ काम करते हैं, तो ट्रांसफॉर्मर डेटा स्ट्रीम के साथ काम करते हैं। मल्टी-हेड सेल्फ-अटेंशन एसेट्स और एक्सचेंजों के बीच निर्भरताओं को इस बात को स्पष्ट रूप से परिभाषित किए बिना पकड़ लेता है कि कौन किसे प्रभावित करता है।

2.1 मल्टी-एक्सचेंज फ्यूजन के लिए मल्टी-हेड अटेंशन

अटेंशन मैकेनिज्म के वेट यह दिखाते हैं कि कौन से एक्सचेंज लक्ष्य एक्सचेंज पर कीमत की भविष्यवाणी करने के लिए सबसे अधिक जानकारीपूर्ण हैं। दो एक्सचेंजों के बीच अटेंशन वेट में अचानक उछाल अक्सर आसन्न आर्बिट्राज अवसर का संकेत होता है।

Reinforcement learning agent-environment loop for trading

3. रीइन्फोर्समेंट लर्निंग: वह एजेंट जो ट्रेडिंग सीखता है

रीइन्फोर्समेंट लर्निंग (RL) स्वाभाविक रूप से आर्बिट्राज समस्या के अनुकूल है। स्टेट ऑर्डर बुक, पोजीशन और बैलेंस है। एक्शन यह है कि क्या ट्रेड करना है, कहाँ, और किस वॉल्यूम में। रिवॉर्ड लाभ या हानि है।

3.1 142% वार्षिक रिटर्न

सबसे प्रभावशाली परिणाम DEX पर प्रतिस्पर्धी आर्बिट्राज के लिए मल्टी-एजेंट RL है। विशेषीकृत एजेंटों (CEX-DEX, क्रॉस-चेन और ट्राएंगुलर) का समन्वय करके, शोधकर्ताओं ने नियम-आधारित बॉट्स के 12% की तुलना में 142% वार्षिक रिटर्न हासिल किया।

4. बायेसियन तरीके: अनिश्चितता एक फायदे के रूप में

बायेसियन ऑनलाइन चेंजपॉइंट डिटेक्शन (BOCPD) वास्तविक समय में रेजीम परिवर्तनों का पता लगाता है। जब बाजार के "नियम" बदलते हैं, तो मॉडल इसे पहचान लेता है और रणनीति को रुकने और फिर से कैलिब्रेट करने के लिए कहता है।

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

Integrated ML pipeline: GNN → Transformer → RL → execution

5. एकीकृत आर्किटेक्चर: सब कुछ एक साथ लाना

असली ताकत एकीकरण से आती है। Rust पर एक एकीकृत पाइपलाइन कुछ इस तरह दिखती है:

फीचर इंजीनियरिंग: ऑर्डर बुक फीचर्स, स्प्रेड, CUSUM/EWMA मॉनिटरिंग।
डिटेक्शन: GNN और ऑटोएनकोडर विसंगतियां ढूंढते हैं।
सिग्नल फ्यूजन: ट्रांसफॉर्मर क्रॉस-एक्सचेंज और स्पॉट-फ्यूचर्स डेटा को मिलाते हैं।
निष्पादन: RL एजेंट इष्टतम आकार और समय निर्धारित करते हैं।
जोखिम: बायेसियन साइज़िंग और गॉसियन प्रोसेस सीमाएँ।

कुल लेटेंसी बजट: Rust और ONNX Runtime के साथ, क्रिटिकल पाथ (मार्केट डेटा से ऑर्डर तक) की लेटेंसी < 5.5 ms हासिल की जा सकती है। प्रति ग्राफ 78 ms वाला GNN इस पाथ में फिट नहीं होता, इसलिए यह एसिंक्रोनस रूप से चलता है: यह बैकग्राउंड में ग्राफ स्नैपशॉट को दोबारा स्कोर करता है, और क्रिटिकल पाथ केवल इसके कैश किए गए स्कोर पढ़ता है।

6. निष्कर्ष

आर्बिट्राज में ML कोई रामबाण उपाय नहीं है, बल्कि उपकरणों का एक शस्त्रागार है। GNN संरचना देखते हैं, ट्रांसफॉर्मर डेटा को मिलाते हैं, RL निष्पादित करता है, और बायेसियन तरीके अनिश्चितता का प्रबंधन करते हैं।

इस श्रृंखला के अंतिम भाग में, हम ऐसे सिस्टम के Rust कार्यान्वयन के विवरण पर नज़र डालेंगे, नैनोसेकंड परिशुद्धता और एटॉमिक मल्टी-लेग निष्पादन पर ध्यान केंद्रित करते हुए।

अपने खुद के एजेंट प्रशिक्षित कर रहे हैं? GitHub पर हमारा Rust ML Trading Framework देखें।