Apprentissage par renforcement pour gérer un portefeuille crypto

Résumé

Cet article propose d’utiliser Soft Actor-Critic (SAC) et Deep Deterministic Policy Gradient (DDPG) pour gérer des portefeuilles de cryptomonnaies. Dans un environnement simulé fondé sur des données historiques de marché, les agents apprennent des actions de trading continues et ajustent les pondérations du portefeuille pour viser des rendements cumulés tout en tenant compte du risque de baisse et des coûts de transaction. SAC utilise un objectif régularisé par l’entropie, auquel l’article associe une plus grande stabilité dans des conditions bruitées.

Des expériences portant sur plusieurs cryptomonnaies indiquent que les deux agents surpassent les références de portefeuille à pondération égale et moyenne-variance, et que SAC est plus stable et robuste que DDPG. Le résumé ne précise ni les actifs, ni la période d’échantillonnage, ni les hypothèses de marché, ni le modèle des coûts de transaction, ni les résultats chiffrés. Comme les éléments proviennent d’une évaluation expérimentale sur des données historiques dans un environnement simulé, ils ne montrent pas à eux seuls que les méthodes donneraient des résultats similaires en trading réel ou dans d’autres conditions de marché.

Idées clés

• Les agents SAC et DDPG apprennent des actions de portefeuille continues à partir de données historiques de marché dans un environnement simulé.
• Les agents ajustent les pondérations du portefeuille en tenant compte des rendements, du risque de baisse et des coûts de transaction.
• L’article rapporte de meilleures performances que les références à pondération égale et moyenne-variance sur plusieurs cryptomonnaies.
• Selon l’article, SAC est plus stable que DDPG dans des conditions de marché bruitées.
• Le résumé ne fournit ni le protocole expérimental ni les détails chiffrés des performances.

Étiquettes

# 2511.20678


# Cryptocurrency Portfolio Management with Reinforcement Learning: Soft Actor--Critic and Deep Deterministic Policy Gradient Algorithms









This paper proposes a reinforcement learning--based framework for cryptocurrency portfolio management using the Soft Actor--Critic (SAC) and Deep Deterministic Policy Gradient (DDPG) algorithms. Traditional portfolio optimization methods often struggle to adapt to the highly volatile and nonlinear dynamics of cryptocurrency markets. To address this, we design an agent that learns continuous trading actions directly from historical market data through interaction with a simulated trading environment. The agent optimizes portfolio weights to maximize cumulative returns while minimizing downside risk and transaction costs. Experimental evaluations on multiple cryptocurrencies demonstrate that the SAC and DDPG agents outperform baseline strategies such as equal-weighted and mean--variance portfolios. The SAC algorithm, with its entropy-regularized objective, shows greater stability and robustness in noisy market conditions compared to DDPG. These results highlight the potential of deep reinforcement learning for adaptive and data-driven portfolio management in cryptocurrency 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.