Bestärkendes Lernen für Krypto-Futures-Portfolios mit Kreditvergabe und Leerverkäufen

Zusammenfassung

Die Studie schlägt für ein Umfeld mit hohem Risiko eine Portfolioverwaltung auf Basis bestärkenden Lernens vor. Sie kombiniert Transaktionen auf der Kauf- und Verkaufsseite mit Kreditvergabe und -aufnahme, verwendet einen Gewinn-und-Verlust-Wert als Belohnung und zielt darauf ab, das Management von Abwärtsrisiken und die Kapitalnutzung zu verbessern. Die Implementierung verbindet einen Soft-Actor-Critic-Agenten mit einem Faltungsnetzwerk und Multi-Head-Attention. Das Portfolio umfasst Kryptoanlagen in Perpetual Futures; für Kreditvergabe und -aufnahme wird USDT eingesetzt, und eine regelmäßige Neugewichtung stützt sich auf aktuelle Marktdaten.

Das Modell wird über zwei Zeiträume mit unterschiedlichen Volatilitätsbedingungen ausgewertet. Die Autoren berichten eine bessere Leistung als die Vergleichsmaßstäbe, besonders in Phasen hoher Volatilität. Der Auszug nennt weder die Vergleichsmaßstäbe noch detaillierte Risikomaße oder den Umgang mit Transaktionskosten und enthält keine Belege über diese historischen Tests hinaus. Die Ergebnisse beschreiben daher die berichtete Auswertung und belegen nicht, dass der Ansatz in anderen Zeiträumen oder im Live-Trading rentabel bleibt.

Kernaussagen

• Die Portfolioverwaltung kombiniert Long- und Short-Transaktionen mit Kreditvergabe und -aufnahme.
• Eine Belohnung anhand von Gewinn und Verlust soll das Management von Abwärtsrisiken und den Kapitaleinsatz unterstützen.
• Die Implementierung verwendet Soft Actor-Critic mit einem Faltungsnetzwerk und Multi-Head-Attention.
• Das Modell wird mit einem diversifizierten Krypto-Perpetual-Futures-Portfolio und regelmäßiger Neugewichtung ausgewertet.
• Die berichtete Outperformance gegenüber Vergleichsmaßstäben ist in Testzeiträumen mit hoher Volatilität am stärksten; Grenzen der Übertragbarkeit bleiben unklar.

Schlagwörter

# 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.

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.