क्रिप्टो ट्रेडिंग के लिए गहन सुदृढीकरण अधिगम रणनीतियों का समूह

सारांश

यह अध्ययन गहन सुदृढीकरण अधिगम से दिन के भीतर क्रिप्टोकरेंसी पोर्टफोलियो ट्रेडिंग के लिए समूह दृष्टिकोण प्रस्तुत करता है। यह कई सत्यापन अवधियों का उपयोग करके उम्मीदवार मॉडल चुनता है, फिर चुनी गई नीतियों को मिश्रण वितरण के ज़रिए जोड़ता है। इसका लक्ष्य अत्यधिक स्टोकेस्टिक बाज़ार परिवेश में सामान्यीकरण सुधारना है।

लेखक सूक्ष्म आउट-ऑफ़-सैंपल परीक्षण अवधियों में प्रदर्शन का आकलन करते हैं और बदलते वित्तीय डेटा को ध्यान में रखने के लिए समय-समय पर मॉडल को फिर से प्रशिक्षित करते हैं। वे अकेली गहन सुदृढीकरण अधिगम रणनीति और निष्क्रिय निवेश, दोनों की तुलना में बेहतर आउट-ऑफ़-सैंपल प्रदर्शन की बात करते हैं। दस्तावेज़ परिसंपत्तियों, लागतों, कार्यान्वयन या लाभों के आकार और सांख्यिकीय महत्व का विवरण नहीं देता; इसलिए केवल बताई गई तुलना लाइव ट्रेडिंग प्रभावशीलता स्थापित नहीं करती।

मुख्य विचार

• समूह के लिए मॉडल चुनने में कई सत्यापन अवधियों का उपयोग किया जाता है।
• मिश्रण वितरण नीति चुने गए सुदृढीकरण अधिगम मॉडलों को जोड़ती है।
• बाज़ार बदलने के साथ मज़बूती का आकलन करने के लिए छोटे आउट-ऑफ़-सैंपल अवधियों में प्रदर्शन जाँचा जाता है।
• गैर-स्थिर वित्तीय डेटा को संभालने के लिए समय-समय पर पुनःप्रशिक्षण किया जाता है।
• बताए गए आउट-ऑफ़-सैंपल तुलना में समूह, अकेली गहन सुदृढीकरण अधिगम रणनीति और निष्क्रिय निवेश से बेहतर प्रदर्शन करता है।

टैग

# 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.

स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0

यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।