Aprendizaje profundo por refuerzo para asignar carteras de criptomonedas

Resumen

Este artículo describe una red neuronal convolucional sin modelo que toma precios históricos de un conjunto de activos y genera ponderaciones de cartera. Se entrena mediante aprendizaje por refuerzo, usando el rendimiento acumulado como recompensa. Los datos de entrenamiento abarcan 0.7 años de precios de criptomonedas de una plataforma, y el intervalo de trading descrito es de 30 minutos.

Los backtests en el mismo mercado informan de rendimientos diez veces mayores durante un periodo de 1.8 meses, con resultados comparados con varias estrategias de selección de carteras publicadas recientemente. El fragmento no identifica la plataforma, los activos, los detalles del referente, los costes de transacción ni si los datos de evaluación eran independientes del entrenamiento. El breve historial de entrenamiento y las pruebas en el mismo mercado limitan lo que se puede inferir sobre la robustez o la transferencia a otros mercados; los resultados descritos aquí no respaldan la afirmación de que el método pueda aplicarse en otros lugares.

Ideas clave

• Una red neuronal convolucional transforma los precios históricos de los activos en ponderaciones de cartera.
• El modelo se entrena con aprendizaje por refuerzo para maximizar el rendimiento acumulado.
• La muestra de entrenamiento indicada abarca 0.7 años de datos de precios de criptomonedas.
• Los backtests utilizan periodos de trading de 30 minutos en el mismo mercado e indican rendimientos diez veces mayores durante 1.8 meses.
• El fragmento no demuestra robustez fuera de muestra ni rendimiento en otros mercados.

Etiquetas

# Cryptocurrency Portfolio Management with Deep Reinforcement Learning


# Cryptocurrency Portfolio Management with Deep Reinforcement Learning









Portfolio management is the decision-making process of allocating an amount of fund into different financial investment products. Cryptocurrencies are electronic and decentralized alternatives to government-issued money, with Bitcoin as the best-known example of a cryptocurrency. This paper presents a model-less convolutional neural network with historic prices of a set of financial assets as its input, outputting portfolio weights of the set. The network is trained with 0.7 years' price data from a cryptocurrency exchange. The training is done in a reinforcement manner, maximizing the accumulative return, which is regarded as the reward function of the network. Backtest trading experiments with trading period of 30 minutes is conducted in the same market, achieving 10-fold returns in 1.8 months' periods. Some recently published portfolio selection strategies are also used to perform the same back-tests, whose results are compared with the neural network. The network is not limited to cryptocurrency, but can be applied to any other financial markets.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.