Trading Bitcoin avec modèles de prix LSTM et PPO
Résumé
L’étude propose un cadre de trading automatisé à haute fréquence sur le Bitcoin, associant un modèle de prix à mémoire à long et court terme (LSTM) à l’optimisation de politique proximale (PPO). Les prix constituent les états de l’agent, les transactions ses actions et les rendements ses récompenses. Pour la prévision des prix, l’étude compare les machines à vecteurs de support, les perceptrons multicouches, les LSTM, les réseaux convolutifs temporels et les Transformers ; les expériences rapportées favorisent LSTM.
Les auteurs évaluent la stratégie PPO obtenue dans un environnement simulé à l’aide de données synchronisées et la comparent à des stratégies de référence courantes pour un seul actif. Ils rapportent des rendements supérieurs à ceux de la meilleure stratégie de référence et décrivent des gains pendant les périodes volatiles et haussières. Ces résultats se limitent au cadre de l’étude sur le Bitcoin et à la simulation ; l’extrait ne précise ni les coûts de transaction, ni l’impact de marché, ni le plan d’échantillonnage, ni la robustesse hors échantillon. Ces affirmations n’établissent donc pas que l’approche soit transposable au trading en réel ou à d’autres produits.
Idées clés
- Le cadre utilise PPO pour générer des transactions Bitcoin à partir des états de prix, les rendements servant de récompenses.
- Un LSTM fournit la base du modèle de prix de la politique après comparaison avec plusieurs autres méthodes de prévision.
- L’étude évalue la stratégie dans un environnement simulé avec des données synchronisées.
- Les comparaisons rapportées favorisent la méthode proposée dans le cadre testé sur un seul actif.
- L’extrait ne décrit ni les coûts de trading ni les preuves de robustesse sur les marchés réels.
Étiquettes
Texte intégral
# Bitcoin Transaction Strategy Construction Based on Deep Reinforcement Learning # Bitcoin Transaction Strategy Construction Based on Deep Reinforcement Learning The emerging cryptocurrency market has lately received great attention for asset allocation due to its decentralization uniqueness. However, its volatility and brand new trading mode have made it challenging to devising an acceptable automatically-generating strategy. This study proposes a framework for automatic high-frequency bitcoin transactions based on a deep reinforcement learning algorithm-proximal policy optimization (PPO). The framework creatively regards the transaction process as actions, returns as awards and prices as states to align with the idea of reinforcement learning. It compares advanced machine learning-based models for static price predictions including support vector machine (SVM), multi-layer perceptron (MLP), long short-term memory (LSTM), temporal convolutional network (TCN), and Transformer by applying them to the real-time bitcoin price and the experimental results demonstrate that LSTM outperforms. Then an automatically-generating transaction strategy is constructed building on PPO with LSTM as the basis to construct the policy. Extensive empirical studies validate that the proposed method performs superiorly to various common trading strategy benchmarks for a single financial product. The approach is able to trade bitcoins in a simulated environment with synchronous data and obtains a 31.67% more return than that of the best benchmark, improving the benchmark by 12.75%. The proposed framework can earn excess returns through both the period of volatility and surge, which opens the door to research on building a single cryptocurrency trading strategy based on deep learning. Visualizations of trading the process show how the model handles high-frequency transactions to provide inspiration and demonstrate that it can be expanded to other financial products.
Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0
Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.