암호화폐 트레이딩을 위한 심층 강화학습 앙상블

기사 arXiv papers · 저자: Shuyang Wang et al.

요약

이 연구는 심층 강화학습을 이용한 암호화폐 일중 포트폴리오 매매의 앙상블 접근법을 제시합니다. 여러 검증 기간으로 후보 모형을 선택한 다음 혼합 분포를 통해 선택된 정책을 결합합니다. 목표는 확률성이 매우 높은 시장 환경에서 일반화 성능을 높이는 것입니다.

저자들은 세분화된 표본외 테스트 기간에 걸쳐 성능을 평가하고, 변화하는 금융 데이터에 대응하기 위해 모형을 주기적으로 재학습합니다. 단일 심층 강화학습 전략 및 패시브 투자와 비교해 표본외 성과가 개선됐다고 보고합니다. 문서는 자산, 비용, 구현 방식, 개선 폭이나 통계적 유의성에 관한 세부 정보를 제공하지 않으므로, 보고된 비교만으로 실거래 효과가 입증되지는 않습니다.

핵심 아이디어

앙상블에 사용할 모형을 선택할 때 여러 검증 기간을 이용합니다.
혼합 분포 정책으로 선택된 강화학습 모형을 결합합니다.
시장이 변할 때의 견고성을 평가하기 위해 더 짧은 표본외 기간에 걸쳐 성능을 살펴봅니다.
비정상성을 보이는 금융 데이터에 대응하기 위해 주기적으로 재학습합니다.
표본외 비교에서 앙상블은 단일 심층 강화학습 전략과 패시브 투자보다 우수한 성과를 보였다고 보고합니다.

# 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.

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

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

암호화폐 트레이딩을 위한 심층 강화학습 전략 앙상블

요약

핵심 아이디어

태그