Deep Reinforcement Learning für das Portfoliomanagement von Kryptowährungen

Zusammenfassung

Dieses Paper stellt ein modellfreies Reinforcement-Learning-Verfahren zur Neugewichtung eines Portfolios aus Finanzanlagen vor. Zu seinen Komponenten zählen ein Ensemble unabhängiger Bewertungsmodelle, ein Speicher für frühere Portfoliogewichte, Online-Stichprobenlernen mit stochastischen Batches und eine explizite Belohnungsfunktion. Das Framework wird mit faltenden und rekurrenten neuronalen Netzen sowie Long-Short-Term-Memory-Netzen implementiert.

Die berichtete Evaluierung umfasst drei Backtests mit Kryptowährungsdaten und Handelsperioden von 30 Minuten. Die Autoren vergleichen die Modelle mit anderen Strategien zur Portfoliowahl und berichten, dass ihre drei Implementierungen in den Experimenten die ersten drei Plätze belegen, trotz Gebühren von 0.25%; die Renditen betrugen über 50 Tage mindestens das Vierfache. Dies sind historische Backtest-Ergebnisse und kein Beleg für zukünftige Ergebnisse. Der Auszug nennt weder die Vermögenswerte noch die Datensplits, Risikokennzahlen oder Robustheitsprüfungen und bietet daher nur begrenzte Informationen, um Overfitting oder die Umsetzbarkeit im Live-Trading zu beurteilen.

Kernaussagen

• Das Framework lernt Portfolio-Umschichtungen, ohne sich auf ein explizites Finanzmarktmodell zu stützen.
• Es kombiniert unabhängige Bewertungen von Anlagen mit einem Speicher für frühere Portfoliogewichte.
• Online-Stichprobenlernen mit stochastischen Batches und eine explizite Belohnungsfunktion sind zentrale Bestandteile des Verfahrens.
• Die Autoren testen CNN, RNN und LSTM Implementierungen in Kryptowährungs-Backtests.
• Die berichteten Backtest-Ranglisten und Renditen belegen keine Performance im Live-Markt.

Schlagwörter

# A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem


# A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem









Financial portfolio management is the process of constant redistribution of a fund into different financial products. This paper presents a financial-model-free Reinforcement Learning framework to provide a deep machine learning solution to the portfolio management problem. The framework consists of the Ensemble of Identical Independent Evaluators (EIIE) topology, a Portfolio-Vector Memory (PVM), an Online Stochastic Batch Learning (OSBL) scheme, and a fully exploiting and explicit reward function. This framework is realized in three instants in this work with a Convolutional Neural Network (CNN), a basic Recurrent Neural Network (RNN), and a Long Short-Term Memory (LSTM). They are, along with a number of recently reviewed or published portfolio-selection strategies, examined in three back-test experiments with a trading period of 30 minutes in a cryptocurrency market. Cryptocurrencies are electronic and decentralized alternatives to government-issued money, with Bitcoin as the best-known example of a cryptocurrency. All three instances of the framework monopolize the top three positions in all experiments, outdistancing other compared trading algorithms. Although with a high commission rate of 0.25% in the backtests, the framework is able to achieve at least 4-fold returns in 50 days.

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.