Reinforcement Learning für dynamisch skalierbares Pair-Trading mit Kryptowährungen

Zusammenfassung

Diese Studie untersucht, ob Reinforcement Learning den Handel mit Kryptowährungspaaren verbessern kann, einen Ansatz der statistischen Arbitrage, bei dem Kursunterschiede zwischen korrelierten Vermögenswerten gehandelt werden. Die Autoren erstellen Handelsumgebungen und trainieren Agenten darin, zu entscheiden, wann und wie sie mit Kryptowährungspaaren handeln. Außerdem entwickeln sie eine angepasste Belohnungsfunktion sowie Beobachtungs- und Aktionsräume für die Lernaufgabe, um Handelsentscheidungen dynamisch anzupassen.

Die Experimente verwenden Ein-Minuten-Daten für BTC-GBP und BTC-EUR. Der berichtete annualisierte Gewinn des traditionellen Paarehandels beträgt 8.33%; bei den getesteten Reinforcement-Learning-Agenten liegt er je nach Lernverfahren zwischen 9.94% und 31.53%. Diese Ergebnisse weisen in den berichteten Experimenten auf eine bessere historische Wertentwicklung hin, belegen für sich genommen aber keine Rentabilität im Live-Handel. Das Dokument spezifiziert weder Transaktionskosten noch risikobereinigte Vergleiche oder Einzelheiten zur Out-of-Sample-Validierung. Die Ergebnisse sind daher im Rahmen der beschriebenen Daten und Auswertung zu interpretieren.

Kernaussagen

• Die Studie wendet Reinforcement Learning auf Pair-Trading zwischen korrelierten Kryptowährungen an.
• Agenten werden in konstruierten Umgebungen darauf trainiert, Zeitpunkt und Umfang von Handelsgeschäften zu wählen.
• Der Ansatz verwendet angepasste Belohnungsfunktionen sowie eigene Beobachtungs- und Aktionsräume.
• Die Experimente umfassen BTC-GBP und BTC-EUR in Ein-Minuten-Intervallen.
• Die berichtete Gewinnspanne von RL liegt über dem Ergebnis der traditionellen Strategie; die Zusammenfassung lässt jedoch Fragen zu Live-Robustheit und Kosten offen.

Schlagwörter

# Reinforcement Learning Pair Trading: A Dynamic Scaling approach


# Reinforcement Learning Pair Trading: A Dynamic Scaling approach









Cryptocurrency is a cryptography-based digital asset with extremely volatile prices. Around USD 70 billion worth of cryptocurrency is traded daily on exchanges. Trading cryptocurrency is difficult due to the inherent volatility of the crypto market. This study investigates whether Reinforcement Learning (RL) can enhance decision-making in cryptocurrency algorithmic trading compared to traditional methods. In order to address this question, we combined reinforcement learning with a statistical arbitrage trading technique, pair trading, which exploits the price difference between statistically correlated assets. We constructed RL environments and trained RL agents to determine when and how to trade pairs of cryptocurrencies. We developed new reward shaping and observation/action spaces for reinforcement learning. We performed experiments with the developed reinforcement learner on pairs of BTC-GBP and BTC-EUR data separated by 1 min intervals (n=263,520). The traditional non-RL pair trading technique achieved an annualized profit of 8.33%, while the proposed RL-based pair trading technique achieved annualized profits from 9.94% to 31.53%, depending upon the RL learner. Our results show that RL can significantly outperform manual and traditional pair trading techniques when applied to volatile markets such as~cryptocurrencies.

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.