Apprentissage par renforcement pour le trading de paires de cryptomonnaies à échelle dynamique

Résumé

Cette étude examine si l’apprentissage par renforcement peut améliorer le trading de paires de cryptomonnaies, une approche d’arbitrage statistique qui négocie les écarts de prix entre actifs corrélés. Les auteurs construisent des environnements de trading et entraînent des agents à choisir quand et comment négocier des paires de cryptomonnaies. Ils conçoivent également une mise en forme de la récompense ainsi que des espaces d’observation et d’action pour l’apprentissage, afin d’adapter dynamiquement les décisions de trading.

Les expériences utilisent des données à la minute de BTC-GBP et BTC-EUR. Le bénéfice annualisé rapporté pour le trading de paires traditionnel est de 8.33%, contre une fourchette de 9.94% à 31.53% pour les agents d’apprentissage par renforcement testés, selon l’algorithme d’apprentissage. Ces résultats indiquent de meilleures performances historiques dans les expériences présentées, mais ne suffisent pas à établir une rentabilité en trading réel. Le document ne précise ni les coûts de transaction, ni les comparaisons ajustées du risque, ni les détails de la validation hors échantillon ; les résultats doivent donc être interprétés dans les limites des données et de l’évaluation décrites.

Idées clés

• L’étude applique l’apprentissage par renforcement au trading de paires de cryptomonnaies corrélées.
• Les agents sont entraînés dans des environnements construits pour choisir le moment et la taille des opérations.
• L’approche utilise une mise en forme personnalisée de la récompense et des espaces d’observation et d’action.
• Les expériences portent sur BTC-GBP et BTC-EUR, avec des données à la minute.
• La fourchette de bénéfice RL rapportée dépasse le résultat de la stratégie traditionnelle, mais le résumé ne permet pas d’évaluer la robustesse en réel ni les coûts.

Étiquettes

# Reinforcement Learning Pair Trading: A Dynamic Scaling approach


# Reinforcement Learning Pair Trading: A Dynamic Scaling approach









Cryptocurrency is a cryptography-based digital asset with extremely volatile prices. Around USD 70 billion worth of cryptocurrency is traded daily on exchanges. Trading cryptocurrency is difficult due to the inherent volatility of the crypto market. This study investigates whether Reinforcement Learning (RL) can enhance decision-making in cryptocurrency algorithmic trading compared to traditional methods. In order to address this question, we combined reinforcement learning with a statistical arbitrage trading technique, pair trading, which exploits the price difference between statistically correlated assets. We constructed RL environments and trained RL agents to determine when and how to trade pairs of cryptocurrencies. We developed new reward shaping and observation/action spaces for reinforcement learning. We performed experiments with the developed reinforcement learner on pairs of BTC-GBP and BTC-EUR data separated by 1 min intervals (n=263,520). The traditional non-RL pair trading technique achieved an annualized profit of 8.33%, while the proposed RL-based pair trading technique achieved annualized profits from 9.94% to 31.53%, depending upon the RL learner. Our results show that RL can significantly outperform manual and traditional pair trading techniques when applied to volatile markets such as~cryptocurrencies.

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.