コンテンツへスキップ
ライブラリの全資料

暗号資産の深層強化学習でバックテスト過剰適合を検証

記事 arXiv papers · 著者: Berend Jelmer Dirk Gort et al.
原文を読む

サマリー

この論文は、暗号資産取引における深層強化学習（DRL）のバックテスト過剰適合を仮説検定の問題として扱っています。DRLエージェントを学習させ、各エージェントの過剰適合確率を推定し、過剰適合と判定されたエージェントを棄却します。目的は、過去データでの検証による偽陽性を減らし、選択した戦略がバックテスト後も良好に機能する可能性を高めることです。

主なアイデア

  • 著者らはバックテスト過剰適合の検出を仮説検定として定式化しています。
  • 学習済みのDRLエージェントについて過剰適合確率を推定し、過剰適合と判定されたエージェントを棄却します。
  • 10種類の暗号資産を対象とした検証では、過剰適合の度合いが低いエージェントは、度合いが高いエージェントや記載されたベンチマークより高いリターンを示しました。
  • 評価期間は短く、暗号資産市場の暴落が2回含まれていたため、他の市場環境での成績を示すものではありません。
  • バックテストによる選別はエージェント選択の根拠となりますが、実市場での成功を保証するものではありません。

タグ

暗号資産機械学習統計バックテストリスク管理
全文
# 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.

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。