التعلم المعزز لمحافظ العقود الآجلة للعملات الرقمية مع الإقراض والاقتراض والبيع على المكشوف

الملخص

تقترح الدراسة مديرًا للمحافظ قائمًا على التعلم المعزز لبيئة عالية المخاطر. ويجمع بين معاملات الشراء والبيع والإقراض والاقتراض، ويستخدم الأرباح والخسائر كمكافأة، ويهدف إلى تحسين إدارة مخاطر الجانب السلبي واستخدام رأس المال. ويجمع تطبيقه بين وكيل Soft Actor-Critic وشبكة التفاف وآلية انتباه متعددة الرؤوس. وتضم المحفظة أصولًا رقمية متداولة عبر عقود آجلة دائمة، مع استخدام USDT للإقراض والاقتراض وإعادة توازن دورية استنادًا إلى بيانات السوق الحديثة.

يُقيّم النموذج خلال فترتين تشملان ظروفًا مختلفة للتقلب، ويذكر المؤلفون أداءً أقوى من المعيار المرجعي، لا سيما في سيناريوهات التقلب المرتفع. ولا يحدد المقتطف المعايير المرجعية أو مقاييس المخاطر المفصلة أو كيفية معالجة تكاليف المعاملات، ولا يقدم أدلة تتجاوز تلك الاختبارات التاريخية. لذا تصف النتائج التقييم المذكور ولا تثبت أن النهج سيظل مربحًا في فترات أخرى أو في التداول الفعلي.

الأفكار الرئيسية

• يجمع مدير المحفظة بين معاملات الشراء والبيع على المكشوف والإقراض والاقتراض.
• صُممت مكافأة الأرباح والخسائر لدعم إدارة مخاطر الجانب السلبي وتخصيص رأس المال.
• يستخدم التطبيق خوارزمية Soft Actor-Critic مع شبكة التفاف وآلية انتباه متعددة الرؤوس.
• يُقيّم النموذج على محفظة متنوعة من العقود الآجلة الدائمة للعملات الرقمية مع إعادة توازن دورية.
• يكون التفوق المبلغ عنه على المعيار المرجعي أقوى في فترات الاختبار عالية التقلب، مع بقاء حدود التعميم غير واضحة.

الوسوم

# Optimizing Portfolio with Two-Sided Transactions and Lending: A Reinforcement Learning Framework


# Optimizing Portfolio with Two-Sided Transactions and Lending: A Reinforcement Learning Framework









This study presents a Reinforcement Learning (RL)-based portfolio management model tailored for high-risk environments, addressing the limitations of traditional RL models and exploiting market opportunities through two-sided transactions and lending. Our approach integrates a new environmental formulation with a Profit and Loss (PnL)-based reward function, enhancing the RL agent's ability in downside risk management and capital optimization. We implemented the model using the Soft Actor-Critic (SAC) agent with a Convolutional Neural Network with Multi-Head Attention (CNN-MHA). This setup effectively manages a diversified 12-crypto asset portfolio in the Binance perpetual futures market, leveraging USDT for both granting and receiving loans and rebalancing every 4 hours, utilizing market data from the preceding 48 hours. Tested over two 16-month periods of varying market volatility, the model significantly outperformed benchmarks, particularly in high-volatility scenarios, achieving higher return-to-risk ratios and demonstrating robust profitability. These results confirm the model's effectiveness in leveraging market dynamics and managing risks in volatile environments like the cryptocurrency market.

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.