Fugu-MT 論文翻訳(概要): Adversarial Attacks on Deep Algorithmic Trading Policies

論文の概要: Adversarial Attacks on Deep Algorithmic Trading Policies

arxiv url: http://arxiv.org/abs/2010.11388v1
Date: Thu, 22 Oct 2020 02:26:29 GMT
ステータス: 処理完了
システム内更新日: 2022-10-04 08:02:49.824400
Title: Adversarial Attacks on Deep Algorithmic Trading Policies
Title（参考訳）: 深層アルゴリズム取引政策に対する敵対的攻撃
Authors: Yaser Faghan, Nancirose Piazza, Vahid Behzadan, Ali Fathi
Abstract要約: 深層強化学習(Dep Reinforcement Learning, DRL)は、株価や暗号通貨の高頻度取引などのアルゴリズム取引において魅力的なソリューションとなっている。アルゴリズム取引DRLエージェントは、このような敵の手法によっても妥協され、ポリシー操作につながる可能性がある。我々は、ディープトレーディングポリシーの脅威モデルを開発し、テスト時にそのようなポリシーの性能を操作するための2つの攻撃手法を提案する。
参考スコア（独自算出の注目度）: 8.774604259603302
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep Reinforcement Learning (DRL) has become an appealing solution to algorithmic trading such as high frequency trading of stocks and cyptocurrencies. However, DRL have been shown to be susceptible to adversarial attacks. It follows that algorithmic trading DRL agents may also be compromised by such adversarial techniques, leading to policy manipulation. In this paper, we develop a threat model for deep trading policies, and propose two attack techniques for manipulating the performance of such policies at test-time. Furthermore, we demonstrate the effectiveness of the proposed attacks against benchmark and real-world DQN trading agents.
Abstract（参考訳）: 深層強化学習(drl)は、株式の高頻度取引やcyptocurrenciesなどのアルゴリズム取引に対する魅力的な解決策となっている。しかし、DRLは敵の攻撃を受けやすいことが示されている。 drlエージェントのアルゴリズム取引は、そのような敵対的手法によっても侵害され、政策操作につながる可能性がある。本稿では, ディープトレーディング政策の脅威モデルを開発し, テスト時にその性能を操作するための2つの攻撃手法を提案する。さらに,提案するベンチマークおよび実世界のDQNトレーディングエージェントに対する攻撃の有効性を示す。

関連論文リスト

Gray-box Adversarial Attack of Deep Reinforcement Learning-based Trading Agents [0.8339831319589133]
ディープRLベースのトレーディングエージェントを攻撃するための「グレーボックス」アプローチは、トレーディングエージェントに余分にアクセスすることなく、同じ株式市場で取引することで可能である。逆エージェントは、ハイブリッドのDeep Neural Networkを、畳み込み層と完全に接続された層からなるポリシーとして使用する。
論文参考訳（メタデータ） (2023-09-26T02:07:26Z)
Attacking and Defending Deep Reinforcement Learning Policies [3.6985039575807246]
本研究では, DRL ポリシーのロバストな最適化の観点から, 敵攻撃に対するロバスト性について検討する。本稿では,環境との相互作用を伴わずにポリシーの戻りを最小化しようとする欲求攻撃アルゴリズムと,最大限の形式で敵の訓練を行う防衛アルゴリズムを提案する。
論文参考訳（メタデータ） (2022-05-16T12:47:54Z)
Improving Robustness of Reinforcement Learning for Power System Control with Adversarial Training [71.7750435554693]
電力系統制御のために提案された最先端のRLエージェントが敵攻撃に対して脆弱であることを示す。具体的には、敵のマルコフ決定プロセスを用いて攻撃方針を学習し、攻撃の有効性を実証する。本稿では,RLエージェントの攻撃に対する堅牢性を高め,実行不可能な運用上の決定を回避するために,敵の訓練を利用することを提案する。
論文参考訳（メタデータ） (2021-10-18T00:50:34Z)
Robust Reinforcement Learning on State Observations with Learned Optimal Adversary [86.0846119254031]
逆摂動状態観測による強化学習の堅牢性について検討した。固定されたエージェントポリシーでは、摂動状態の観測に最適な敵を見つけることができる。 DRLの設定では、これは以前のものよりもはるかに強い学習された敵対を介してRLエージェントに新しい経験的敵対攻撃につながります。
論文参考訳（メタデータ） (2021-01-21T05:38:52Z)
Query-based Targeted Action-Space Adversarial Policies on Deep Reinforcement Learning Agents [23.580682320064714]
本研究は、CPS文学における行動空間領域における標的攻撃(アクティベーション攻撃)を調査する。対向目標に対する最適な摂動を生成するクエリベースのブラックボックス攻撃モデルが、別の強化学習問題として定式化可能であることを示す。実験の結果,名目政策のアウトプットのみを観察する敵政策は,名目政策のインプットとアウトプットを観察する敵政策よりも強い攻撃を発生させることがわかった。
論文参考訳（メタデータ） (2020-11-13T20:25:48Z)
Robust Deep Reinforcement Learning through Adversarial Loss [74.20501663956604]
近年の研究では、深層強化学習剤は、エージェントの入力に対する小さな逆方向の摂動に弱いことが示されている。敵攻撃に対する堅牢性を向上した強化学習エージェントを訓練するための原則的フレームワークであるRADIAL-RLを提案する。
論文参考訳（メタデータ） (2020-08-05T07:49:42Z)
An Application of Deep Reinforcement Learning to Algorithmic Trading [4.523089386111081]
本稿では, 深部強化学習(DRL)に基づくアルゴリズム取引問題の解法を提案する。幅広い株式市場でシャープ比のパフォーマンス指標を最大化するために、新しいDRLトレーディング戦略を提案する。得られた強化学習 (RL) エージェントのトレーニングは, 限られた市場履歴データから人工軌道を生成することに基づいている。
論文参考訳（メタデータ） (2020-04-07T14:57:23Z)
Robust Deep Reinforcement Learning against Adversarial Perturbations on State Observations [88.94162416324505]
深部強化学習(DRL)エージェントは、自然な測定誤差や対向雑音を含む観測を通して、その状態を観察する。観測は真の状態から逸脱するので、エージェントを誤解させ、準最適行動を起こすことができる。本研究は, 従来の手法を, 対人訓練などの分類タスクの堅牢性向上に応用することは, 多くのRLタスクには有効でないことを示す。
論文参考訳（メタデータ） (2020-03-19T17:59:59Z)
Adversarial Attacks on Machine Learning Systems for High-Frequency Trading [55.30403936506338]
逆機械学習の観点から,アルゴリズム取引のバリュエーションモデルについて検討する。攻撃コストを最小限に抑えるサイズ制約で、このドメインに特有の新たな攻撃を導入する。本稿では、金融モデルのロバスト性について研究・評価するための分析ツールとして、これらの攻撃がどのように利用できるかについて論じる。
論文参考訳（メタデータ） (2020-02-21T22:04:35Z)
Challenges and Countermeasures for Adversarial Attacks on Deep Reinforcement Learning [48.49658986576776]
深層強化学習(Dep Reinforcement Learning, DRL)は、周囲の環境に適応する優れた能力のおかげで、現実世界に多くの応用がある。その大きな利点にもかかわらず、DRLは現実のクリティカルシステムやアプリケーションでの使用を妨げている敵攻撃の影響を受けやすい。本稿では,DRLベースのシステムにおける新たな攻撃と,これらの攻撃を防御するための潜在的対策について述べる。
論文参考訳（メタデータ） (2020-01-27T10:53:11Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。