Combiner des stratégies d’apprentissage profond par renforcement pour le trading crypto

Résumé

Cette étude présente une approche par ensemble pour le trading intrajournalier de portefeuilles de cryptomonnaies avec l’apprentissage profond par renforcement. Elle sélectionne des modèles candidats au moyen de plusieurs périodes de validation, puis combine les politiques retenues par une distribution de mélange. L’objectif est d’améliorer la généralisation dans un environnement de marché hautement stochastique.

Les auteurs évaluent les performances sur des périodes de test hors échantillon finement découpées et réentraînent périodiquement les modèles pour tenir compte de l’évolution des données financières. Ils rapportent de meilleures performances hors échantillon qu’avec une stratégie autonome d’apprentissage profond par renforcement et qu’avec un investissement passif. Le document ne donne aucun détail sur les actifs, les coûts ou l’implémentation, ni sur l’ampleur et la significativité statistique des gains ; cette comparaison ne suffit donc pas à établir l’efficacité en trading réel.

Idées clés

• Plusieurs périodes de validation servent à sélectionner les modèles de l’ensemble.
• Une politique de distribution de mélange combine les modèles d’apprentissage par renforcement sélectionnés.
• Les performances sont examinées sur des périodes hors échantillon plus courtes pour évaluer la robustesse à mesure que les marchés évoluent.
• Un réentraînement périodique permet de tenir compte des données financières non stationnaires.
• Dans les comparaisons hors échantillon rapportées, l’ensemble surpasse une stratégie autonome d’apprentissage profond par renforcement et l’investissement passif.

Étiquettes

# An Ensemble Method of Deep Reinforcement Learning for Automated Cryptocurrency Trading


# An Ensemble Method of Deep Reinforcement Learning for Automated Cryptocurrency Trading









We propose an ensemble method to improve the generalization performance of trading strategies trained by deep reinforcement learning algorithms in a highly stochastic environment of intraday cryptocurrency portfolio trading. We adopt a model selection method that evaluates on multiple validation periods, and propose a novel mixture distribution policy to effectively ensemble the selected models. We provide a distributional view of the out-of-sample performance on granular test periods to demonstrate the robustness of the strategies in evolving market conditions, and retrain the models periodically to address non-stationarity of financial data. Our proposed ensemble method improves the out-of-sample performance compared with the benchmarks of a deep reinforcement learning strategy and a passive investment strategy.

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.