Détecter le surapprentissage du backtest en crypto par apprentissage profond par renforcement

Résumé

L’article traite le surapprentissage du backtest en apprentissage profond par renforcement (DRL) pour le trading de cryptomonnaies comme un problème de test d’hypothèse. Il entraîne des agents DRL, estime la probabilité de surapprentissage de chacun et rejette ceux jugés surappris. L’objectif est de réduire les faux positifs issus des tests historiques et d’améliorer les chances que les stratégies retenues fonctionnent au-delà du backtest.

Idées clés

• Les auteurs formulent la détection du surapprentissage du backtest comme un test d’hypothèse.
• Ils estiment les probabilités de surapprentissage des agents DRL entraînés et rejettent ceux identifiés comme surappris.
• Lors d’un test sur 10 cryptomonnaies, les agents moins surappris ont obtenu des rendements supérieurs à ceux des agents plus surappris et aux références indiquées.
• L’évaluation a couvert une courte période incluant deux krachs du marché crypto ; elle n’établit donc pas les performances dans d’autres conditions de marché.
• Le filtrage par backtest apporte des éléments pour la sélection des agents, mais ne garantit pas la réussite sur les marchés réels.

Étiquettes

# Deep Reinforcement Learning for Cryptocurrency Trading: Practical Approach to Address Backtest Overfitting


# Deep Reinforcement Learning for Cryptocurrency Trading: Practical Approach to Address Backtest Overfitting









Designing profitable and reliable trading strategies is challenging in the highly volatile cryptocurrency market. Existing works applied deep reinforcement learning methods and optimistically reported increased profits in backtesting, which may suffer from the false positive issue due to overfitting. In this paper, we propose a practical approach to address backtest overfitting for cryptocurrency trading using deep reinforcement learning. First, we formulate the detection of backtest overfitting as a hypothesis test. Then, we train the DRL agents, estimate the probability of overfitting, and reject the overfitted agents, increasing the chance of good trading performance. Finally, on 10 cryptocurrencies over a testing period from 05/01/2022 to 06/27/2022 (during which the crypto market crashed two times), we show that the less overfitted deep reinforcement learning agents have a higher return than that of more overfitted agents, an equal weight strategy, and the S&P DBM Index (market benchmark), offering confidence in possible deployment to a real 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.