红贵妇之陷：高频交易中深度演化的局限性
交易与市场微观结构
2025-12-19 v1 机器学习
神经与进化计算
计算金融
摘要
深度强化学习 (DRL) 与演化计算 (EC) 的集成常被假设为算法交易的“圣杯”，其承诺的系统能够自主适应非平稳市场环境。本文对“Galaxy Empire”——一种融合 LSTM/Transformer 基于感知的遗传“时间即生命”生存机制的混合框架——进行严格的事后诊断分析。在高频加密货币环境中部署 500 个自主代理后，我们观察到训练指标（验证 APY >300%）与实际表现（资本衰减 >70%）之间的灾难性偏差。我们通过多学科视角剖析这一失败，识别出三个关键失效模式：基于低熵时间序列中阿尔泮不确定性的过拟合、在高方差下演化选择中内在的幸存者偏差，以及在缺乏订单流数据的情况下克服 microstructure 摩擦的数学不可能性。我们的发现提供了经验证据表明，在缺乏信息不对称的情况下增加模型复杂度会恶化系统脆弱性。
引用
@article{arxiv.2512.15732,
title = {The Red Queen's Trap: Limits of Deep Evolution in High-Frequency Trading},
author = {Yijia Chen},
journal= {arXiv preprint arXiv:2512.15732},
year = {2025}
}