Deep Reinforcement Learning für risikobewusste Krypto-Portfolios

Zusammenfassung

Das Paper stellt einen Deep-Reinforcement-Learning-Agenten für die Portfolioverwaltung vor, der Renditestreben und Risikobegrenzung miteinander abwägt. Seine Zielstrategie passt an, wie stark der Agent die optimale Aktion bevorzugt; ein einstellbarer Gierparameter soll risikoärmere Entscheidungen fördern. Die Autoren bewerten den Ansatz anhand von Kryptowährungsmarktdaten, die wegen ihrer zahlreichen Beobachtungen auf Minutenebene und ihrer hohen Volatilität ausgewählt wurden.

Im berichteten Testzeitraum erzielte der Agent eine Rendite von 1800% und das niedrigste Risiko unter den verglichenen Verfahren. Weitere Experimente deuten auf robuste Leistung bei hoher Marktvolatilität und kurzen Trainingszeiträumen hin. Der Auszug nennt weder das Risikomaß noch die Vergleichsverfahren, Vermögenswerte, Transaktionskosten oder das Evaluationsdesign. Daher lassen sich die Leistungsangaben nicht im Detail beurteilen und nicht ohne Weiteres über die beschriebenen Experimente hinaus verallgemeinern.

Kernaussagen

• Der vorgeschlagene Agent optimiert die Portfolioverwaltung und berücksichtigt dabei sowohl Gewinnstreben als auch Risikobegrenzung.
• Eine einstellbare Zielstrategie steuert die Präferenz für die optimale Aktion und soll risikoärmere Aktionen begünstigen.
• Der Ansatz wird anhand von Kryptowährungsmarktdaten mit Beobachtungen auf Minutenebene bewertet.
• Die Autoren berichten für den Testzeitraum eine Rendite von 1800% und das niedrigste Risiko unter den verglichenen Verfahren.
• Weitere Experimente deuten auf Robustheit gegenüber hoher Volatilität und kurzen Trainingszeiträumen hin; der Auszug lässt jedoch Evaluationsdetails offen.

Schlagwörter

# Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning


# Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning









The autonomous trading agent is one of the most actively studied areas of artificial intelligence to solve the capital market portfolio management problem. The two primary goals of the portfolio management problem are maximizing profit and restrainting risk. However, most approaches to this problem solely take account of maximizing returns. Therefore, this paper proposes a deep reinforcement learning based trading agent that can manage the portfolio considering not only profit maximization but also risk restraint. We also propose a new target policy to allow the trading agent to learn to prefer low-risk actions. The new target policy can be reflected in the update by adjusting the greediness for the optimal action through the hyper parameter. The proposed trading agent verifies the performance through the data of the cryptocurrency market. The Cryptocurrency market is the best test-ground for testing our trading agents because of the huge amount of data accumulated every minute and the market volatility is extremely large. As a experimental result, during the test period, our agents achieved a return of 1800% and provided the least risky investment strategy among the existing methods. And, another experiment shows that the agent can maintain robust generalized performance even if market volatility is large or training period is short.

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.