Apprentissage profond par renforcement pour gérer le risque d’un portefeuille crypto

Résumé

L’article présente un agent d’apprentissage par renforcement profond pour la gestion de portefeuille, qui équilibre recherche de rendement et maîtrise du risque. Sa politique cible ajuste l’intensité avec laquelle l’agent privilégie l’action optimale, au moyen d’un paramètre de gloutonnerie réglable destiné à encourager des choix moins risqués. Les auteurs évaluent l’approche sur des données de marché des cryptomonnaies, choisies pour l’abondance d’observations à la minute et leur forte volatilité.

Pendant la période de test rapportée, l’agent a obtenu un rendement de 1800% et présenté le risque le plus faible parmi les méthodes comparées. D’autres expériences indiquent des performances robustes en période de forte volatilité des marchés et avec de courtes périodes d’entraînement. L’extrait ne précise pas la mesure du risque, les méthodes comparées, les actifs, les coûts de transaction ni le protocole d’évaluation ; les affirmations de performance ne peuvent donc être évaluées en détail ni considérées comme généralisables au-delà des expériences décrites.

Idées clés

• L’agent proposé optimise la gestion de portefeuille en tenant compte à la fois du profit et de la maîtrise du risque.
• Une politique cible réglable contrôle la préférence pour l’action optimale et vise à privilégier les actions moins risquées.
• L’approche est évaluée sur des données de marché des cryptomonnaies comportant des observations à la minute.
• Les auteurs rapportent un rendement de 1800% sur la période de test et le risque le plus faible parmi les méthodes comparées.
• D’autres expériences suggèrent une robustesse face à une forte volatilité et à de courtes périodes d’entraînement, bien que l’extrait omette les détails de l’évaluation.

Étiquettes

# Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning


# Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning









The autonomous trading agent is one of the most actively studied areas of artificial intelligence to solve the capital market portfolio management problem. The two primary goals of the portfolio management problem are maximizing profit and restrainting risk. However, most approaches to this problem solely take account of maximizing returns. Therefore, this paper proposes a deep reinforcement learning based trading agent that can manage the portfolio considering not only profit maximization but also risk restraint. We also propose a new target policy to allow the trading agent to learn to prefer low-risk actions. The new target policy can be reflected in the update by adjusting the greediness for the optimal action through the hyper parameter. The proposed trading agent verifies the performance through the data of the cryptocurrency market. The Cryptocurrency market is the best test-ground for testing our trading agents because of the huge amount of data accumulated every minute and the market volatility is extremely large. As a experimental result, during the test period, our agents achieved a return of 1800% and provided the least risky investment strategy among the existing methods. And, another experiment shows that the agent can maintain robust generalized performance even if market volatility is large or training period is short.

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.