Aprendizaje por refuerzo para el trading de pares de criptomonedas con escalado dinámico de posiciones

Resumen

Este estudio investiga si el aprendizaje por refuerzo puede mejorar el trading de pares de criptomonedas, un enfoque de arbitraje estadístico que opera con las diferencias de precios entre activos correlacionados. Los autores crean entornos de trading y entrenan agentes para elegir cuándo y cómo operar con pares de criptomonedas. También diseñan una estructura de recompensas y espacios de observación y acción para la tarea de aprendizaje, con el objetivo de adaptar dinámicamente las decisiones de trading.

Los experimentos utilizan datos de un minuto de BTC-GBP y BTC-EUR. El beneficio anualizado del trading de pares tradicional es del 8.33%, frente a un rango del 9.94% al 31.53% para los agentes de aprendizaje por refuerzo probados, según el algoritmo de aprendizaje. Estos resultados indican un mayor rendimiento histórico en los experimentos presentados, pero no demuestran por sí solos que la estrategia sea rentable en el trading en vivo. El documento no especifica los costes de transacción, comparaciones ajustadas al riesgo ni detalles de la validación fuera de muestra, por lo que los resultados deben interpretarse dentro de los límites de los datos y la evaluación descritos.

Ideas clave

• El estudio aplica el aprendizaje por refuerzo al trading de pares de criptomonedas correlacionadas.
• Se entrena a agentes para elegir el momento y el tamaño de las operaciones en entornos construidos para el estudio.
• El enfoque utiliza una estructura de recompensas y espacios de observación y acción diseñados a medida.
• Los experimentos abarcan BTC-GBP y BTC-EUR con intervalos de un minuto.
• El rango de beneficios RL presentado supera el resultado de la estrategia tradicional, pero el resumen no aclara la robustez en vivo ni los costes.

Etiquetas

# 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.

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.