Ensamblado de estrategias de aprendizaje profundo por refuerzo para trading cripto

Resumen

Este estudio presenta un enfoque de ensamblado para operar carteras de criptomonedas durante el día mediante aprendizaje profundo por refuerzo. Selecciona modelos candidatos utilizando varios períodos de validación y después combina las políticas elegidas mediante una distribución de mezcla. El objetivo es mejorar la generalización en un entorno de mercado muy estocástico.

Los autores evalúan el rendimiento en períodos de prueba detallados fuera de muestra y vuelven a entrenar los modelos periódicamente para tener en cuenta los cambios en los datos financieros. Presentan un mejor rendimiento fuera de muestra frente a una estrategia independiente de aprendizaje profundo por refuerzo y a la inversión pasiva. El documento no aporta detalles sobre los activos, los costes, la implementación ni el tamaño y la significación estadística de las mejoras, por lo que la comparación por sí sola no demuestra la eficacia del trading en vivo.

Ideas clave

• Se utilizan varios períodos de validación para seleccionar los modelos del conjunto.
• Una política de distribución de mezcla combina los modelos de aprendizaje por refuerzo seleccionados.
• El rendimiento se examina en períodos más cortos fuera de muestra para evaluar la robustez a medida que evolucionan los mercados.
• Se realiza un reentrenamiento periódico para abordar el carácter no estacionario de los datos financieros.
• En las comparaciones fuera de muestra, el conjunto presenta un mejor rendimiento que una estrategia independiente de aprendizaje profundo por refuerzo y que la inversión pasiva.

Etiquetas

# An Ensemble Method of Deep Reinforcement Learning for Automated Cryptocurrency Trading


# An Ensemble Method of Deep Reinforcement Learning for Automated Cryptocurrency Trading









We propose an ensemble method to improve the generalization performance of trading strategies trained by deep reinforcement learning algorithms in a highly stochastic environment of intraday cryptocurrency portfolio trading. We adopt a model selection method that evaluates on multiple validation periods, and propose a novel mixture distribution policy to effectively ensemble the selected models. We provide a distributional view of the out-of-sample performance on granular test periods to demonstrate the robustness of the strategies in evolving market conditions, and retrain the models periodically to address non-stationarity of financial data. Our proposed ensemble method improves the out-of-sample performance compared with the benchmarks of a deep reinforcement learning strategy and a passive investment strategy.

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.