Apprentissage profond par renforcement pour l’allocation de portefeuille de cryptomonnaies

Résumé

Cet article décrit un réseau neuronal convolutif sans modèle qui reçoit les cours historiques d’un ensemble d’actifs et produit des pondérations de portefeuille. Il est entraîné par apprentissage par renforcement, le rendement cumulé servant de récompense. Les données d’entraînement couvrent 0.7 années de cours de cryptomonnaies provenant d’une plateforme d’échange, et l’intervalle de trading indiqué est de 30 minutes.

Les backtests sur le même marché rapportent des rendements multipliés par dix sur une période de 1.8 mois, avec des résultats comparés à plusieurs stratégies de sélection de portefeuille publiées récemment. L’extrait ne précise ni la plateforme d’échange, ni les actifs, ni les détails des références de comparaison, ni les coûts de transaction, ni si les données d’évaluation étaient indépendantes de celles d’entraînement. La courte période d’entraînement et les tests sur le même marché limitent les conclusions possibles sur la robustesse ou le transfert à d’autres marchés ; les résultats décrits ne justifient pas l’affirmation selon laquelle la méthode serait applicable ailleurs.

Idées clés

• Un réseau neuronal convolutif transforme les cours historiques des actifs en pondérations de portefeuille.
• Le modèle est entraîné par apprentissage par renforcement afin de maximiser le rendement cumulé.
• L’échantillon d’entraînement rapporté couvre 0.7 années de données de cours de cryptomonnaies.
• Les backtests utilisent des périodes de trading de 30 minutes sur le même marché et rapportent des rendements multipliés par dix sur 1.8 mois.
• L’extrait n’établit ni la robustesse hors échantillon ni la performance sur d’autres marchés.

Étiquettes

# Cryptocurrency Portfolio Management with Deep Reinforcement Learning


# Cryptocurrency Portfolio Management with Deep Reinforcement Learning









Portfolio management is the decision-making process of allocating an amount of fund into different financial investment products. Cryptocurrencies are electronic and decentralized alternatives to government-issued money, with Bitcoin as the best-known example of a cryptocurrency. This paper presents a model-less convolutional neural network with historic prices of a set of financial assets as its input, outputting portfolio weights of the set. The network is trained with 0.7 years' price data from a cryptocurrency exchange. The training is done in a reinforcement manner, maximizing the accumulative return, which is regarded as the reward function of the network. Backtest trading experiments with trading period of 30 minutes is conducted in the same market, achieving 10-fold returns in 1.8 months' periods. Some recently published portfolio selection strategies are also used to perform the same back-tests, whose results are compared with the neural network. The network is not limited to cryptocurrency, but can be applied to any other financial markets.

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.