暗号資産取引のための深層強化学習アンサンブル

記事 arXiv papers · 著者: Shuyang Wang et al.

サマリー

本研究は、深層強化学習を用いた暗号資産の日中ポートフォリオ取引に、アンサンブル手法を提示しています。複数の検証期間で候補モデルを選び、選定したポリシーを混合分布によって組み合わせます。目的は、確率性の高い市場環境で汎化性能を高めることです。

著者らは細分化されたサンプル外テスト期間を通じて性能を評価し、金融データの変化に対応するためモデルを定期的に再学習しています。単独の深層強化学習戦略とパッシブ投資の両方に対して、サンプル外の成績が改善したと報告しています。資料には対象資産、コスト、実装方法、改善幅や統計的有意性の詳細がないため、この比較だけでは実運用で有効であるとは示せません。

主なアイデア

アンサンブルに用いるモデルを選ぶため、複数の検証期間を利用しています。
混合分布ポリシーによって、選定した強化学習モデルを組み合わせています。
市場の変化に対する頑健性を評価するため、より短いサンプル外期間ごとに性能を調べています。
非定常な金融データに対応するため、定期的に再学習しています。
報告されたサンプル外比較では、アンサンブルが単独の深層強化学習戦略とパッシブ投資を上回っています。

# 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.

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。

暗号資産取引のための深層強化学習戦略のアンサンブル

サマリー

主なアイデア

タグ