Trading de Bitcoin com modelos de preço LSTM e PPO
Resumo
O estudo propõe uma estrutura automatizada de trading de Bitcoin em alta frequência que combina um modelo de preço de memória de curto e longo prazo (LSTM) com otimização por política proximal (PPO). Ela representa os preços como estados do agente, os trades como ações e os retornos como recompensas. Para o componente de previsão de preços, compara máquinas de vetores de suporte, perceptrons multicamadas, LSTMs, redes convolucionais temporais e Transformers; os experimentos relatados favorecem LSTM.
Os autores avaliam a estratégia PPO resultante em um ambiente simulado com dados sincronizados e a comparam com benchmarks comuns de estratégia para um único ativo. Relatam retornos superiores ao benchmark mais forte e descrevem ganhos tanto em períodos voláteis quanto de alta. Esses resultados se limitam ao contexto de Bitcoin e à simulação do estudo; o trecho não especifica custos de transação, impacto de mercado, desenho da amostra nem robustez fora da amostra. Portanto, suas afirmações não demonstram que a abordagem possa ser aplicada à negociação em mercado real ou a outros produtos.
Ideias principais
- A estrutura usa PPO para gerar trades de Bitcoin a partir dos estados de preço, recebendo retornos como recompensas.
- Um LSTM fornece a base do modelo de preços da política após comparação com vários outros métodos de previsão.
- O estudo avalia a estratégia em um ambiente simulado com dados sincronizados.
- As comparações com benchmarks relatadas favorecem o método proposto no contexto testado de um único ativo.
- O trecho não descreve os custos de trading nem evidências de robustez em mercados reais.
Tags
Texto completo
# Bitcoin Transaction Strategy Construction Based on Deep Reinforcement Learning # Bitcoin Transaction Strategy Construction Based on Deep Reinforcement Learning The emerging cryptocurrency market has lately received great attention for asset allocation due to its decentralization uniqueness. However, its volatility and brand new trading mode have made it challenging to devising an acceptable automatically-generating strategy. This study proposes a framework for automatic high-frequency bitcoin transactions based on a deep reinforcement learning algorithm-proximal policy optimization (PPO). The framework creatively regards the transaction process as actions, returns as awards and prices as states to align with the idea of reinforcement learning. It compares advanced machine learning-based models for static price predictions including support vector machine (SVM), multi-layer perceptron (MLP), long short-term memory (LSTM), temporal convolutional network (TCN), and Transformer by applying them to the real-time bitcoin price and the experimental results demonstrate that LSTM outperforms. Then an automatically-generating transaction strategy is constructed building on PPO with LSTM as the basis to construct the policy. Extensive empirical studies validate that the proposed method performs superiorly to various common trading strategy benchmarks for a single financial product. The approach is able to trade bitcoins in a simulated environment with synchronous data and obtains a 31.67% more return than that of the best benchmark, improving the benchmark by 12.75%. The proposed framework can earn excess returns through both the period of volatility and surge, which opens the door to research on building a single cryptocurrency trading strategy based on deep learning. Visualizations of trading the process show how the model handles high-frequency transactions to provide inspiration and demonstrate that it can be expanded to other financial products.
Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0
Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.