본문으로 건너뛰기
라이브러리 문서 전체

암호화폐 포트폴리오 관리를 위한 심층 강화학습

기사 arXiv papers · 저자: Zhengyao Jiang et al.
원문 읽기

요약

이 논문은 금융자산 간 포트폴리오 재배분을 위한 모델 비의존 강화학습 프레임워크를 제시합니다. 독립 평가기 앙상블, 이전 포트폴리오 비중의 기억, 온라인 확률적 배치 학습, 명시적 보상 함수가 구성 요소입니다. 프레임워크는 합성곱 신경망, 순환 신경망, 장단기 기억 신경망으로 구현됩니다.

보고된 평가는 암호화폐 데이터에 30분 거래 주기를 적용한 백테스트 3건을 사용합니다. 저자들은 이 모델들을 다른 포트폴리오 선택 전략과 비교해, 수수료가 0.25%임에도 세 가지 구현이 실험 전반에서 상위 3개를 차지했고 50일 동안 최소 4배의 수익률을 기록했다고 보고합니다. 이는 과거 백테스트 결과일 뿐 미래 성과의 증거는 아닙니다. 발췌문에는 자산, 데이터 분할, 위험 측정치, 강건성 검증이 제시되지 않아 과적합이나 실거래 가능성을 판단할 정보가 제한적입니다.

핵심 아이디어

  • 이 프레임워크는 명시적인 금융시장 모형에 의존하지 않고 포트폴리오 재배분을 학습합니다.
  • 독립적인 자산 평가기와 이전 포트폴리오 비중의 기억을 결합합니다.
  • 온라인 확률적 배치 학습과 명시적 보상 함수가 핵심 구성 요소입니다.
  • 저자들은 암호화폐 백테스트에서 CNN, RNN, LSTM 구현을 시험합니다.
  • 보고된 백테스트 순위와 수익률이 실거래 성과를 입증하지는 않습니다.

태그

가상자산머신러닝포트폴리오 구성백테스트
전문
# A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem


# A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem









Financial portfolio management is the process of constant redistribution of a fund into different financial products. This paper presents a financial-model-free Reinforcement Learning framework to provide a deep machine learning solution to the portfolio management problem. The framework consists of the Ensemble of Identical Independent Evaluators (EIIE) topology, a Portfolio-Vector Memory (PVM), an Online Stochastic Batch Learning (OSBL) scheme, and a fully exploiting and explicit reward function. This framework is realized in three instants in this work with a Convolutional Neural Network (CNN), a basic Recurrent Neural Network (RNN), and a Long Short-Term Memory (LSTM). They are, along with a number of recently reviewed or published portfolio-selection strategies, examined in three back-test experiments with a trading period of 30 minutes in a cryptocurrency market. Cryptocurrencies are electronic and decentralized alternatives to government-issued money, with Bitcoin as the best-known example of a cryptocurrency. All three instances of the framework monopolize the top three positions in all experiments, outdistancing other compared trading algorithms. Although with a high commission rate of 0.25% in the backtests, the framework is able to achieve at least 4-fold returns in 50 days.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.