Агент на обучении с подкреплением научился торговать MEV-ставками на Polygon Atlas
МФТИ и Сколтех обучили агента на PPO выбирать ставки на аукционах Polygon Atlas: в симуляции против реальных ботов он получил 48,79% максимально доступной прибыли. Работа опубликована в Expert Systems with Applications.

Адаптация и понятное объяснение для начинающих. Заявления приведены по материалу источника.
Разница в цене одной и той же криптовалюты на двух децентрализованных биржах живёт меньше секунды. Кто первым успевает провести цепочку обменов, забирает эту разницу — а за выгодное место в очереди транзакций конкурируют боты. Исследователи из МФТИ и Сколтеха обучили агента выбирать ставку в таких торгах: в испытании, имитировавшем работу против действующих ботов, он получил 48,79% максимально доступной прибыли. Работа опубликована в журнале Expert Systems with Applications, о ней сообщила пресс-служба МФТИ.
Что именно оптимизирует агент
Речь о MEV — максимально извлекаемой ценности, то есть доходе, который зависит от порядка транзакций в блокчейне. На аукционах Polygon Atlas участники делают ставки за право выполнить цепочку обменов; ставка уменьшает прибыль, но повышает шанс, что транзакцию включат раньше конкурентов. Задача с двумя противоположными силами: заплатить достаточно, чтобы победить, и не отдать больше, чем принесёт сделка.
Команда применила обучение с подкреплением по алгоритму Proximal Policy Optimization (PPO): агент учится на награде за действия, а PPO ограничивает слишком резкие изменения политики между шагами, чтобы обучение оставалось устойчивым. По словам Андрея Сеоева, одного из авторов, при выборе ставки агент учитывал ожидаемый доход от сделки, маршрут и длину цепочки обменов, используемые протоколы, частоту похожих ситуаций и историю торгов. Юрий Янович из Сколтеха поясняет, что история помогает балансировать шанс на победу и сумму, которая останется после оплаты ставки.
На чём проверяли и что показали цифры
Испытания шли на данных Polygon Atlas с декабря 2024 по сентябрь 2025 года — 223 356 транзакций с возможностью заработка. Около 10% сделок с наименьшим потенциальным доходом (примерно до 0,1 доллара) из базы убрали: такой доход обычно не покрывает комиссии блокчейна и протокола. Отдельно методом SHAP команда выяснила, какие параметры сделки и рынка сильнее всего влияли на размер ставки.
Второй результат — сценарий, где агент занимал место самого успешного участника: его прибыль оказалась на 43% выше результата этого участника. Обе цифры относятся к симуляции на исторических данных, а не к реальной торговле, и описывают работу команды, а не независимую проверку.
Где заканчивается результат
Симуляция против ботов — полезный, но не полный тест: реальный рынок реагирует на появление нового игрока, а условия аукциона могут меняться. Кроме того, отсечение мелких сделок означает, что агент оценивался на отобранном подмножестве, где прибыль заведомо перекрывает издержки. Для тех, кто разбирается с обучением с подкреплением, ценность работы в другом: видно, как формулируется награда в задаче с быстрым вознаграждением и штрафом за ставку, и как результат сравнивают с живыми конкурентами, а не только с базовой линией.


