Deep Reinforcement Learning für Krypto-Portfolioallokation

Zusammenfassung

Diese Arbeit beschreibt ein modellfreies faltendes neuronales Netz, das historische Preise für eine Reihe von Assets als Eingabe erhält und Portfolio-Gewichte ausgibt. Es wird mittels Reinforcement Learning trainiert, wobei die kumulative Rendite als Belohnung dient. Die Trainingsdaten umfassen 0.7 Jahre Kryptowährungspreise von einer Börse; das beschriebene Handelsintervall beträgt 30 Minuten.

Backtests im selben Markt berichten von einer Verzehnfachung der Rendite über einen Zeitraum von 1.8 Monaten; die Ergebnisse werden mit mehreren kürzlich veröffentlichten Strategien zur Portfolioauswahl verglichen. Der Auszug nennt weder die Börse noch die Assets, Benchmarkdetails oder Transaktionskosten und gibt auch nicht an, ob die Evaluierungsdaten unabhängig von den Trainingsdaten waren. Aufgrund der kurzen Trainingshistorie und der Tests im selben Markt lassen sich Robustheit und Übertragbarkeit auf andere Märkte nur eingeschränkt beurteilen; die Ergebnisse belegen nicht die Behauptung, dass die Methode auch anderswo eingesetzt werden kann.

Kernaussagen

• Ein faltendes neuronales Netz bildet historische Asset-Preise auf Portfolio-Gewichte ab.
• Das Modell wird mit Reinforcement Learning trainiert, um die kumulative Rendite zu maximieren.
• Die berichtete Trainingsstichprobe umfasst 0.7 Jahre Kryptowährungspreisdaten.
• Die Backtests verwenden Handelsintervalle von 30 Minuten im selben Markt und berichten für 1.8 Monate eine Verzehnfachung der Rendite.
• Der Auszug belegt weder Robustheit außerhalb der Stichprobe noch eine Leistung in anderen Märkten.

Schlagwörter

# Cryptocurrency Portfolio Management with Deep Reinforcement Learning


# Cryptocurrency Portfolio Management with Deep Reinforcement Learning









Portfolio management is the decision-making process of allocating an amount of fund into different financial investment products. Cryptocurrencies are electronic and decentralized alternatives to government-issued money, with Bitcoin as the best-known example of a cryptocurrency. This paper presents a model-less convolutional neural network with historic prices of a set of financial assets as its input, outputting portfolio weights of the set. The network is trained with 0.7 years' price data from a cryptocurrency exchange. The training is done in a reinforcement manner, maximizing the accumulative return, which is regarded as the reward function of the network. Backtest trading experiments with trading period of 30 minutes is conducted in the same market, achieving 10-fold returns in 1.8 months' periods. Some recently published portfolio selection strategies are also used to perform the same back-tests, whose results are compared with the neural network. The network is not limited to cryptocurrency, but can be applied to any other financial markets.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.