受约束强化学习与零知识审计实现安全合规的跨市场交易执行

我们提出了一种在跨市场算法交易系统中平衡执行质量与严格合规性的框架。该架构包含高层规划器、强化学习执行智能体以及独立的合规智能体。我们将交易执行建模为受硬约束限制的马尔可夫决策过程，约束包括参与限额、价格区间及自交易规避。执行智能体采用近端策略优化进行训练，运行时动作护盾将任何不安全动作投影到可行集合。为支持在不暴露专有信号的前提下实现可审计性，我们引入零知识合规审计层，生成所有动作满足约束的密码学证明。在基于ABIDES的多交易所模拟器中评估，并与标准基线（如TWAP、VWAP）进行比较。学习到的策略在降低实现缩短和方差方面表现优异，且在包括 elevated latency（ elevated 延迟）、部分成交、合规模块切换及约束限制变化等压力情景下均未观察到约束违规。我们采用配对t检验在95%置信水平下报告效应，并通过CVaR考察尾部风险。我们将工作置于最优执行、安全强化学习、监管技术与可验证人工智能的交叉领域，讨论了伦理考量、局限性（如建模假设与计算开销）以及现实部署路径。