面向合成气高效金融衍生品合约的课程引导强化学习
机器学习
2025-09-30 v1
摘要
基于智能合约的金融衍生品自动化提供了显著的效率增益，但其现实应用受到将金融规范转化为气高效可执行代码的复杂性的制约。特别是，从高层规范（如通用领域模型 CDM）生成功能正确且经济可行的代码仍然是一个重大挑战。本文提出了一种强化学习(RL)框架，可直接从 CDM 规范生成功能完备且气优化的 Solidity 智能合约。我们采用近端策略优化(PPO)智能体，从预定义的代码库中学习选择最优代码片段。为管理复杂的搜索空间，采用两阶段课程先训练智能体实现功能正确性，再将其重点转向气优化。我们的实验结果表明，RL 智能体学会了生成具有显著气节省的合约，在未见过的测试数据上相比未优化基线实现了高达 35.59% 的成本降低。本工作提出了一种可靠且经济可持续的智能合约自动合成方法，弥合了高层金融协议与高效链上执行之间的差距。
引用
@article{arxiv.2509.23976,
title = {Curriculum-Guided Reinforcement Learning for Synthesizing Gas-Efficient Financial Derivatives Contracts},
author = {Maruf Ahmed Mridul and Oshani Seneviratne},
journal= {arXiv preprint arXiv:2509.23976},
year = {2025}
}
备注
8 pages, 3 figures, 2 tables