Pruebas de estrategias de aprendizaje por refuerzo profundo para detectar sobreajuste en backtests cripto

Resumen

El artículo plantea el sobreajuste en backtests de aprendizaje por refuerzo profundo (DRL) para el trading de criptomonedas como un problema de contraste de hipótesis. Entrena DRL agentes, estima la probabilidad de sobreajuste de cada agente y descarta los que considera sobreajustados. El objetivo es reducir los falsos positivos de las pruebas históricas y mejorar las probabilidades de que las estrategias seleccionadas rindan bien más allá del backtest.

Ideas clave

• Los autores formulan la detección del sobreajuste en backtests como un contraste de hipótesis.
• Estiman las probabilidades de sobreajuste de DRL agentes entrenados y descartan los identificados como sobreajustados.
• En una prueba con 10 criptomonedas, los agentes menos sobreajustados obtuvieron mayores rendimientos que los más sobreajustados y que las referencias indicadas.
• La evaluación abarcó un periodo corto que incluyó dos caídas del mercado de criptomonedas, por lo que no demuestra el rendimiento en otras condiciones de mercado.
• El filtrado de backtests aporta evidencia para seleccionar agentes, pero no garantiza el éxito en mercados reales.

Etiquetas

# 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.

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.