Ensembling von Deep-Reinforcement-Learning-Strategien für Kryptohandel

Zusammenfassung

Diese Studie stellt einen Ensembleansatz für den Intraday-Handel mit Kryptowährungsportfolios und Deep Reinforcement Learning vor. Kandidatenmodelle werden anhand mehrerer Validierungszeiträume ausgewählt. Anschließend werden die ausgewählten Richtlinien über eine Mischverteilung kombiniert. Das Ziel ist eine bessere Verallgemeinerung in einem stark stochastischen Marktumfeld.

Die Autoren bewerten die Performance anhand feiner aufgelöster Out-of-Sample-Testzeiträume und trainieren die Modelle regelmäßig neu, um Veränderungen der Finanzdaten zu berücksichtigen. Sie berichten von einer besseren Out-of-Sample-Performance gegenüber einer eigenständigen Deep-Reinforcement-Learning-Strategie und passiven Anlagen. Das Dokument enthält keine Angaben zu den Anlagen, Kosten oder zur Implementierung sowie zum Ausmaß und zur statistischen Signifikanz der Gewinne. Der berichtete Vergleich allein belegt daher keine Wirksamkeit im Live-Trading.

Kernaussagen

• Für die Auswahl der Ensemblemodelle werden mehrere Validierungszeiträume herangezogen.
• Eine Richtlinie mit Mischverteilung kombiniert die ausgewählten Reinforcement-Learning-Modelle.
• Die Performance wird anhand kürzerer Out-of-Sample-Zeiträume geprüft, um die Robustheit bei sich entwickelnden Märkten zu beurteilen.
• Regelmäßiges erneutes Training soll nichtstationäre Finanzdaten berücksichtigen.
• Den berichteten Out-of-Sample-Vergleichen zufolge übertrifft das Ensemble sowohl eine eigenständige Deep-Reinforcement-Learning-Strategie als auch passive Anlagen.

Schlagwörter

# 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.

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.