Overfitting von Krypto-Backtests mit Deep Reinforcement Learning prüfen

Zusammenfassung

Die Arbeit behandelt das Overfitting von Backtests beim Deep Reinforcement Learning (DRL) für den Kryptowährungshandel als Hypothesentestproblem. Sie trainiert DRL-Agenten, schätzt für jeden Agenten die Wahrscheinlichkeit von Overfitting und verwirft als überangepasst eingestufte Agenten. Ziel ist es, falsch positive Ergebnisse aus historischen Tests zu verringern und die Chancen zu erhöhen, dass ausgewählte Strategien auch über den Backtest hinaus gut abschneiden.

Kernaussagen

• Die Autoren formulieren die Erkennung von Backtest-Overfitting als Hypothesentest.
• Sie schätzen die Overfitting-Wahrscheinlichkeit trainierter DRL-Agenten und verwerfen als überangepasst erkannte Agenten.
• In einem Test mit 10 Kryptowährungen erzielten Agenten mit geringerem Overfitting höhere Renditen als stärker überangepasste Agenten und die angegebenen Benchmarks.
• Die Auswertung umfasste einen kurzen Zeitraum mit zwei Krypto-Markteinbrüchen und belegt daher keine Leistung unter anderen Marktbedingungen.
• Die Auswahl anhand von Backtests liefert Hinweise für die Agentenauswahl, garantiert aber keinen Erfolg am realen Markt.

Schlagwörter

# Deep Reinforcement Learning for Cryptocurrency Trading: Practical Approach to Address Backtest Overfitting


# Deep Reinforcement Learning for Cryptocurrency Trading: Practical Approach to Address Backtest Overfitting









Designing profitable and reliable trading strategies is challenging in the highly volatile cryptocurrency market. Existing works applied deep reinforcement learning methods and optimistically reported increased profits in backtesting, which may suffer from the false positive issue due to overfitting. In this paper, we propose a practical approach to address backtest overfitting for cryptocurrency trading using deep reinforcement learning. First, we formulate the detection of backtest overfitting as a hypothesis test. Then, we train the DRL agents, estimate the probability of overfitting, and reject the overfitted agents, increasing the chance of good trading performance. Finally, on 10 cryptocurrencies over a testing period from 05/01/2022 to 06/27/2022 (during which the crypto market crashed two times), we show that the less overfitted deep reinforcement learning agents have a higher return than that of more overfitted agents, an equal weight strategy, and the S&P DBM Index (market benchmark), offering confidence in possible deployment to a real 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.