암호화폐 백테스트 과최적화와 심층 강화학습 전략 평가

기사 arXiv papers · 저자: Berend Jelmer Dirk Gort et al.

요약

이 논문은 암호화폐 매매에서 심층 강화학습(DRL)의 백테스트 과최적화를 가설 검정 문제로 다룬다. DRL 에이전트를 학습시키고 각 에이전트의 과최적화 확률을 추정한 뒤, 과최적화로 판단된 에이전트를 기각한다. 목표는 과거 테스트에서 발생하는 거짓 양성을 줄이고 선정된 전략이 백테스트 이후에도 잘 작동할 가능성을 높이는 것이다.

핵심 아이디어

저자들은 백테스트 과최적화 탐지를 가설 검정으로 정식화한다.
학습된 DRL 에이전트의 과최적화 확률을 추정하고 과최적화로 판정된 에이전트를 기각한다.
10개 암호화폐를 대상으로 한 테스트에서 과최적화가 덜 된 에이전트는 과최적화가 더 된 에이전트 및 제시된 벤치마크보다 높은 수익률을 기록했다.
평가는 두 차례의 암호화폐 시장 급락을 포함한 짧은 기간에 이루어져 다른 시장 상황의 성과를 입증하지 않는다.
백테스트 선별은 에이전트 선택의 근거를 제공하지만 실제 시장에서의 성공을 보장하지 않는다.

# 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.

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

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

암호화폐 백테스트 과최적화와 심층 강화학습 전략 평가

요약

핵심 아이디어

태그