EFFICIENT TRIANGULAR ARBITRAGE DETECTION VIA GRAPH NEURAL NETWORKS
创建于 更新于
摘要
本文提出利用图神经网络（GNN）对三角套利问题进行建模，通过松弛损失函数和深度Q学习原理实现套利机会的高效检测。实验表明，该方法在合成货币网络上较传统Bellman-Ford算法和线性规划求解器，能获得更高收益（6.3%）且显著降低计算时间（147ms），展现了GNN在金融优化问题中的潜力与实用性[page::0][page::4][page::5]。
