コンテンツへスキップ
ライブラリの全資料

リスクを考慮した暗号資産ポートフォリオ管理の深層強化学習

記事 arXiv papers · 著者: Wonsup Shin et al.
原文を読む

サマリー

この論文は、リターンの追求とリスク抑制のバランスを取る、ポートフォリオ管理向けの深層強化学習エージェントを提示しています。目標ポリシーは、調整可能な貪欲さのパラメーターを用いて最適行動をどの程度優先するかを変え、より低リスクの選択を促します。著者らは、分単位の観測データが豊富でボラティリティが高いことから選んだ暗号資産市場データで、この手法を評価しています。

報告されたテスト期間に、エージェントは1800%のリターンを上げ、比較対象の手法の中で最も低いリスクを示しました。追加実験は、市場のボラティリティが高い場合や訓練期間が短い場合にも、堅牢な成績を示唆しています。抜粋にはリスク指標、比較手法、資産、取引コスト、評価設計が記されていないため、成績の主張を詳細に評価したり、記載された実験以外にも一般化できるとみなしたりすることはできません。

主なアイデア

  • 提案されたエージェントは、利益とリスク抑制の両方を考慮してポートフォリオ管理を最適化します。
  • 調整可能な目標ポリシーで最適行動への選好を制御し、低リスクの行動を優先することを目指します。
  • この手法は、分単位の観測データを含む暗号資産市場データで評価されています。
  • 著者らは、テスト期間のリターンが1800%で、比較手法の中で最も低いリスクだったと報告しています。
  • 追加実験は、高ボラティリティや短い訓練期間に対する堅牢性を示唆しますが、抜粋には評価の詳細がありません。

タグ

暗号資産機械学習リスク管理ポートフォリオ構築バックテスト
全文
# Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning


# Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning









The autonomous trading agent is one of the most actively studied areas of artificial intelligence to solve the capital market portfolio management problem. The two primary goals of the portfolio management problem are maximizing profit and restrainting risk. However, most approaches to this problem solely take account of maximizing returns. Therefore, this paper proposes a deep reinforcement learning based trading agent that can manage the portfolio considering not only profit maximization but also risk restraint. We also propose a new target policy to allow the trading agent to learn to prefer low-risk actions. The new target policy can be reflected in the update by adjusting the greediness for the optimal action through the hyper parameter. The proposed trading agent verifies the performance through the data of the cryptocurrency market. The Cryptocurrency market is the best test-ground for testing our trading agents because of the huge amount of data accumulated every minute and the market volatility is extremely large. As a experimental result, during the test period, our agents achieved a return of 1800% and provided the least risky investment strategy among the existing methods. And, another experiment shows that the agent can maintain robust generalized performance even if market volatility is large or training period is short.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。