Aprendizado por Reforço Profundo para Alocação de Carteiras de Criptomoedas

Resumo

Este artigo descreve uma rede neural convolucional sem modelo que recebe preços históricos de um conjunto de ativos e gera pesos para a carteira. Ela é treinada por aprendizado por reforço, usando o retorno acumulado como recompensa. Os dados de treinamento abrangem 0.7 anos de preços de criptomoedas de uma corretora, e o intervalo de negociação descrito é de 30 minutos.

Backtests no mesmo mercado relatam retornos dez vezes maiores ao longo de 1.8 meses, com resultados comparados aos de várias estratégias de seleção de carteiras publicadas recentemente. O trecho não identifica a corretora, os ativos, os detalhes dos benchmarks, os custos de transação nem se os dados de avaliação eram independentes dos dados de treinamento. O breve histórico de treinamento e os testes no mesmo mercado limitam o que se pode inferir sobre robustez ou transferência para outros mercados; os resultados descritos aqui não sustentam a afirmação de que o método pode ser aplicado em outros lugares.

Ideias principais

• Uma rede neural convolucional transforma preços históricos dos ativos em pesos para a carteira.
• O modelo é treinado por aprendizado por reforço para maximizar o retorno acumulado.
• A amostra de treinamento relatada abrange 0.7 anos de dados de preços de criptomoedas.
• Os backtests usam períodos de negociação de 30 minutos no mesmo mercado e relatam retornos dez vezes maiores ao longo de 1.8 meses.
• O trecho não demonstra robustez fora da amostra nem desempenho em outros mercados.

Tags

# Cryptocurrency Portfolio Management with Deep Reinforcement Learning


# Cryptocurrency Portfolio Management with Deep Reinforcement Learning









Portfolio management is the decision-making process of allocating an amount of fund into different financial investment products. Cryptocurrencies are electronic and decentralized alternatives to government-issued money, with Bitcoin as the best-known example of a cryptocurrency. This paper presents a model-less convolutional neural network with historic prices of a set of financial assets as its input, outputting portfolio weights of the set. The network is trained with 0.7 years' price data from a cryptocurrency exchange. The training is done in a reinforcement manner, maximizing the accumulative return, which is regarded as the reward function of the network. Backtest trading experiments with trading period of 30 minutes is conducted in the same market, achieving 10-fold returns in 1.8 months' periods. Some recently published portfolio selection strategies are also used to perform the same back-tests, whose results are compared with the neural network. The network is not limited to cryptocurrency, but can be applied to any other financial markets.

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.