دمج استراتيجيات التعلم المعزز العميق لتداول العملات الرقمية

الملخص

تعرض هذه الدراسة نهجًا تجميعيًا لتداول محافظ العملات الرقمية خلال اليوم باستخدام التعلم المعزز العميق. وتختار النماذج المرشحة عبر فترات تحقق متعددة، ثم تجمع السياسات المختارة من خلال توزيع خليط. والهدف هو تحسين قابلية التعميم في بيئة سوقية شديدة العشوائية.

يقيّم المؤلفون الأداء عبر فترات اختبار دقيقة خارج العينة، ويعيدون تدريب النماذج دوريًا لمراعاة تغير البيانات المالية. ويذكرون تحسن الأداء خارج العينة مقارنة باستراتيجية مستقلة للتعلم المعزز العميق وبالاستثمار السلبي. ولا تقدم الوثيقة تفاصيل عن الأصول أو التكاليف أو التنفيذ أو حجم المكاسب ودلالتها الإحصائية، لذا فإن المقارنة المذكورة وحدها لا تثبت فاعلية التداول الفعلي.

الأفكار الرئيسية

• تُستخدم فترات تحقق متعددة لاختيار نماذج المجموعة.
• يجمع توزيع خليط بين نماذج التعلم المعزز المختارة.
• يُفحص الأداء عبر فترات أقصر خارج العينة لتقييم المتانة مع تطور الأسواق.
• تُستخدم إعادة التدريب دوريًا لمعالجة عدم سكون البيانات المالية.
• يتفوق النهج التجميعي المذكور على استراتيجية تعلم معزز عميق مستقلة وعلى الاستثمار السلبي في مقارنات خارج العينة.

الوسوم

# An Ensemble Method of Deep Reinforcement Learning for Automated Cryptocurrency Trading


# An Ensemble Method of Deep Reinforcement Learning for Automated Cryptocurrency Trading









We propose an ensemble method to improve the generalization performance of trading strategies trained by deep reinforcement learning algorithms in a highly stochastic environment of intraday cryptocurrency portfolio trading. We adopt a model selection method that evaluates on multiple validation periods, and propose a novel mixture distribution policy to effectively ensemble the selected models. We provide a distributional view of the out-of-sample performance on granular test periods to demonstrate the robustness of the strategies in evolving market conditions, and retrain the models periodically to address non-stationarity of financial data. Our proposed ensemble method improves the out-of-sample performance compared with the benchmarks of a deep reinforcement learning strategy and a passive investment strategy.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.