Apprentissage par renforcement pour portefeuilles de contrats à terme crypto avec prêt et vente à découvert

Résumé

L’étude propose un gestionnaire de portefeuille par apprentissage par renforcement dans un contexte à haut risque. Il combine des transactions dans les deux sens avec le prêt et l’emprunt, utilise une récompense fondée sur les profits et pertes et vise à améliorer la gestion du risque de baisse et l’utilisation du capital. La mise en œuvre associe un agent Soft Actor-Critic à un réseau convolutif et à une attention multi-têtes. Le portefeuille comprend des crypto-actifs négociés sur des contrats à terme perpétuels, avec USDT utilisé pour le prêt et l’emprunt et un rééquilibrage périodique fondé sur les données récentes du marché.

Le modèle est évalué sur deux périodes couvrant différentes conditions de volatilité ; les auteurs rapportent une performance supérieure aux références, surtout dans les scénarios de forte volatilité. L’extrait ne précise ni les références utilisées, ni les mesures détaillées du risque, ni le traitement des coûts de transaction, ni les éléments au-delà de ces tests historiques. Les résultats décrivent donc l’évaluation rapportée et n’établissent pas que l’approche restera rentable sur d’autres périodes ou en trading réel.

Idées clés

• Le gestionnaire de portefeuille combine des transactions longues et courtes avec le prêt et l’emprunt.
• Une récompense fondée sur les profits et pertes vise à soutenir la gestion du risque de baisse et l’allocation du capital.
• La mise en œuvre utilise Soft Actor-Critic avec un réseau convolutif et une attention multi-têtes.
• Le modèle est évalué sur un portefeuille diversifié de contrats à terme perpétuels crypto, avec rééquilibrage périodique.
• La surperformance rapportée par rapport aux références est la plus forte pendant les périodes de test à volatilité élevée ; les limites de généralisation restent incertaines.

Étiquettes

# Optimizing Portfolio with Two-Sided Transactions and Lending: A Reinforcement Learning Framework


# Optimizing Portfolio with Two-Sided Transactions and Lending: A Reinforcement Learning Framework









This study presents a Reinforcement Learning (RL)-based portfolio management model tailored for high-risk environments, addressing the limitations of traditional RL models and exploiting market opportunities through two-sided transactions and lending. Our approach integrates a new environmental formulation with a Profit and Loss (PnL)-based reward function, enhancing the RL agent's ability in downside risk management and capital optimization. We implemented the model using the Soft Actor-Critic (SAC) agent with a Convolutional Neural Network with Multi-Head Attention (CNN-MHA). This setup effectively manages a diversified 12-crypto asset portfolio in the Binance perpetual futures market, leveraging USDT for both granting and receiving loans and rebalancing every 4 hours, utilizing market data from the preceding 48 hours. Tested over two 16-month periods of varying market volatility, the model significantly outperformed benchmarks, particularly in high-volatility scenarios, achieving higher return-to-risk ratios and demonstrating robust profitability. These results confirm the model's effectiveness in leveraging market dynamics and managing risks in volatile environments like the cryptocurrency market.

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.