본문으로 건너뛰기
라이브러리 문서 전체

위험을 고려한 가상자산 포트폴리오 심층 강화학습

기사 arXiv papers · 저자: Wonsup Shin et al.
원문 읽기

요약

이 논문은 수익 추구와 위험 억제를 함께 고려하는 포트폴리오 관리용 심층 강화학습 에이전트를 제시합니다. 목표 정책은 조정 가능한 탐욕도 매개변수를 사용해 최적 행동을 얼마나 강하게 선호할지 바꾸며, 이를 통해 위험이 낮은 선택을 유도합니다. 저자들은 분 단위 관측치가 풍부하고 변동성이 높다는 이유로 선택한 가상자산 시장 데이터를 이용해 접근법을 평가합니다.

보고된 테스트 기간에 에이전트는 1800%의 수익률을 기록했고 비교 대상 방법 중 위험이 가장 낮았습니다. 추가 실험에서는 높은 시장 변동성과 짧은 학습 기간에도 견고한 성능을 보였습니다. 발췌문에는 위험 측정치, 비교 방법, 자산, 거래 비용, 평가 설계가 명시되지 않아 성과 주장을 상세히 평가하거나 제시된 실험 범위 밖으로 일반화할 수 없습니다.

핵심 아이디어

  • 제안된 에이전트는 수익과 위험 억제를 함께 고려해 포트폴리오 관리를 최적화합니다.
  • 조정 가능한 목표 정책은 최적 행동에 대한 선호를 통제하며 위험이 낮은 행동을 우선하도록 설계되었습니다.
  • 분 단위 관측치가 있는 가상자산 시장 데이터로 접근법을 평가합니다.
  • 저자들은 테스트 기간 수익률 1800%과 비교 방법 중 가장 낮은 위험을 보고합니다.
  • 추가 실험은 높은 변동성과 짧은 학습 기간에도 견고할 가능성을 시사하지만, 발췌문에는 평가 세부사항이 없습니다.

태그

가상자산머신러닝리스크 관리포트폴리오 구성백테스트
전문
# 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.

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

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