Reinforcement Learning für das Management von Kryptowährungsportfolios

Zusammenfassung

Diese Studie schlägt Soft Actor-Critic (SAC) und Deep Deterministic Policy Gradient (DDPG) für das Management von Kryptowährungsportfolios vor. Die Agenten lernen kontinuierliche Handelsaktionen in einer simulierten Umgebung anhand historischer Marktdaten. Dabei passen sie die Portfolio-Gewichte an, um kumulative Renditen anzustreben und zugleich Abwärtsrisiken und Transaktionskosten zu berücksichtigen. SAC verwendet ein entropieregularisiertes Ziel, was die Studie mit größerer Stabilität unter verrauschten Bedingungen in Verbindung bringt.

Experimente mit mehreren Kryptowährungen berichten, dass beide Agenten gleich gewichtete und Mean-Variance-Portfolio-Baselines übertreffen und SAC stabiler und robuster ist als DDPG. Die Zusammenfassung nennt weder die Vermögenswerte noch den Stichprobenzeitraum, die Marktannahmen, das Transaktionskostenmodell oder numerische Ergebnisse. Da die Evidenz aus einer experimentellen Auswertung mit historischen Daten und einer simulierten Umgebung stammt, zeigt sie für sich genommen nicht, dass die Methoden im Live-Trading oder unter anderen Marktbedingungen ähnlich abschneiden.

Kernaussagen

• Agenten auf Basis von SAC und DDPG lernen in einer simulierten Umgebung anhand historischer Marktdaten kontinuierliche Portfolioaktionen.
• Die Agenten passen Portfolio-Gewichte an und berücksichtigen dabei Renditen, Abwärtsrisiken und Transaktionskosten.
• Die Studie berichtet für mehrere Kryptowährungen eine bessere Performance als bei gleich gewichteten und Mean-Variance-Baselines.
• SAC soll unter verrauschten Marktbedingungen stabiler sein als DDPG.
• Die Zusammenfassung enthält weder Angaben zum Versuchsaufbau noch numerische Performance-Details.

Schlagwörter

# 2511.20678


# Cryptocurrency Portfolio Management with Reinforcement Learning: Soft Actor--Critic and Deep Deterministic Policy Gradient Algorithms









This paper proposes a reinforcement learning--based framework for cryptocurrency portfolio management using the Soft Actor--Critic (SAC) and Deep Deterministic Policy Gradient (DDPG) algorithms. Traditional portfolio optimization methods often struggle to adapt to the highly volatile and nonlinear dynamics of cryptocurrency markets. To address this, we design an agent that learns continuous trading actions directly from historical market data through interaction with a simulated trading environment. The agent optimizes portfolio weights to maximize cumulative returns while minimizing downside risk and transaction costs. Experimental evaluations on multiple cryptocurrencies demonstrate that the SAC and DDPG agents outperform baseline strategies such as equal-weighted and mean--variance portfolios. The SAC algorithm, with its entropy-regularized objective, shows greater stability and robustness in noisy market conditions compared to DDPG. These results highlight the potential of deep reinforcement learning for adaptive and data-driven portfolio management in cryptocurrency 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.