用於套利的 GNN、Transformer 與 RL：當神經網路學會交易

《期貨與現貨之間的複雜套利鏈》系列第 5 部分

想像一位國際象棋大師，他看到的不是棋盤，而是十個交易所和數百個交易對；看到的不是 32 顆棋子，而是每毫秒都在更新的數千個訂單。Bellman-Ford 等經典演算法誠實地遍歷圖，但當它們找到獲利迴圈時，機會視窗往往已經關閉。我們需要另一種方法——不僅是演算法上的，而且是學習型的。

在本文中，我們將探討現代機器學習（ML）方法如何將混亂的多交易所市場轉化為結構化任務。圖神經網路（GNN）、Transformer 和強化學習（RL）智慧體正在重新定義套利世界的可能性。

用於套利檢測和執行的機器學習方法圖景：從圖神經網路到進化演算法。

1. 圖神經網路：當市場是一個圖

多交易所加密市場本質上是一個圖。**節點（Nodes）**是資產（BTC、ETH、SOL）或“資產-交易所”對。**邊（Edges）**是交易連結，按價差、交易量、手續費和延遲進行加權。

經典演算法 Bellman-Ford 以 $O(V \times E)$ 的複雜度解決任務。圖神經網路 (GNN) 則學會識別套利機會之前的模式，類似於計程車司機對哪裡會發生交通擁堵的“直覺”。

1.1 帶有邊融合的 GraphSAGE

使用帶有自定義邊融合（Edge fusion）模組的 GraphSAGE，研究人員實現了：

• F1 分數：0.90——10 個預測機會中有 9 個是真實的。
• 推理時間：在 CPU 上為 78 毫秒——對於許多套利視窗來說足夠快。

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. Transformers：注意力就是一切

如果由於 GNN 處理的是市場結構，那麼 Transformer 處理的就是資料流。多頭自注意力（Multi-head self-attention）機制可以捕捉資產和交易所之間的依賴關係，而無需明確定義誰影響誰。

2.1 用於多交易所融合的多頭注意力

注意力機制的權重顯示了哪些交易所資訊最豐富，以便預測目標交易所的價格。兩個交易所之間注意力權重的激增通常是即將出現套利機會的訊號。

3. 強化學習：學會交易的智慧體

強化學習 (RL) 自然地擬合了套利問題。狀態（State）是訂單簿、持倉和餘額。行動（Action）是交易什麼、在哪裡交易以及交易多少。獎勵（Reward）是盈利或虧損。

3.1 142% 的年化收益率

最令人印象深刻的結果是用於 DEX 上競爭性套利的多智慧體強化學習（Multi-Agent RL）。通過協調專業智慧體（CEX-DEX、跨鏈和三角套利），研究人員實現了 142% 的年化收益率，而基於規則的機器人僅為 12%。

4. 貝葉斯方法：將不確定性視為優勢

**貝葉斯線上突變點檢測（BOCPD）**即時檢測機制變化。當市場“規則”改變時，模型會識別出來，並告訴策略暫停並重新校準。

/// 基于 BOCPD 的机制变化检测器
pub struct BocpdDetector {
    lambda: f64,                         // P(changepoint) = 1/lambda
    run_length_probs: Vec<f64>,          // 运行长度分布
}

5. 整合架構：將一切整合在一起

真正的力量來自整合。在 Rust 上的整合流水線如下：

1. 特徵工程： 訂單簿特徵、價差、CUSUM/EWMA 監控。
2. 檢測： GNN 和自動編碼器尋找異常。
3. 訊號融合： Transformer 合併跨交易所和期現資料。
4. 執行： RL 智慧體確定最佳規模和時機。
5. 風險管理： 貝葉斯倉位管理和高斯過程（Gaussian Process）邊界。

總延遲預算： 通過 Rust 和 ONNX Runtime，可以實現 < 7.5 毫秒 的總流水線延遲。

6. 結論

套利中的機器學習不是萬能鑰匙，而是一套工具箱。GNN 觀察結構，Transformer 合併資料，RL 執行，貝葉斯方法管理不確定性。

在本系列的最後一部分中，我們將研究此類系統的 Rust 實現細節，重點關注納秒級精度和原子化多步執行。

正在訓練你自己的智慧體？請在 GitHub 上檢視我們的 Rust 機器學習交易框架。