Aprendizaje profundo por refuerzo para gestionar carteras cripto con control del riesgo

Resumen

El artículo presenta un agente de aprendizaje profundo por refuerzo para la gestión de carteras que equilibra la búsqueda de rentabilidad con la contención del riesgo. Su política objetivo ajusta cuánto favorece el agente la acción óptima mediante un parámetro de avidez configurable, pensado para fomentar decisiones de menor riesgo. Los autores evalúan el enfoque con datos de mercado de criptomonedas, elegidos por la abundancia de observaciones por minuto y su alta volatilidad.

En el periodo de prueba comunicado, el agente obtuvo 1800% y tuvo el menor riesgo entre los métodos comparados. Otros experimentos indican un rendimiento sólido con alta volatilidad del mercado y periodos de entrenamiento breves. El fragmento no especifica la medida de riesgo, los métodos de comparación, los activos, los costes de transacción ni el diseño de evaluación, por lo que las afirmaciones sobre el rendimiento no pueden valorarse en detalle ni suponerse aplicables más allá de los experimentos indicados.

Ideas clave

• El agente propuesto optimiza la gestión de carteras teniendo en cuenta tanto la rentabilidad como la contención del riesgo.
• Una política objetivo configurable controla la preferencia por la acción óptima y busca favorecer las acciones de menor riesgo.
• El enfoque se evalúa con datos de mercado de criptomonedas y observaciones por minuto.
• Los autores comunican un rendimiento de 1800% durante el periodo de prueba y el menor riesgo entre los métodos comparados.
• Otros experimentos apuntan a solidez frente a alta volatilidad y periodos de entrenamiento breves, aunque el fragmento omite los detalles de evaluación.

Etiquetas

# Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning


# Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning









The autonomous trading agent is one of the most actively studied areas of artificial intelligence to solve the capital market portfolio management problem. The two primary goals of the portfolio management problem are maximizing profit and restrainting risk. However, most approaches to this problem solely take account of maximizing returns. Therefore, this paper proposes a deep reinforcement learning based trading agent that can manage the portfolio considering not only profit maximization but also risk restraint. We also propose a new target policy to allow the trading agent to learn to prefer low-risk actions. The new target policy can be reflected in the update by adjusting the greediness for the optimal action through the hyper parameter. The proposed trading agent verifies the performance through the data of the cryptocurrency market. The Cryptocurrency market is the best test-ground for testing our trading agents because of the huge amount of data accumulated every minute and the market volatility is extremely large. As a experimental result, during the test period, our agents achieved a return of 1800% and provided the least risky investment strategy among the existing methods. And, another experiment shows that the agent can maintain robust generalized performance even if market volatility is large or training period is short.

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.