Aprendizado por reforço profundo para gestão de carteiras cripto com controle de risco

Resumo

O artigo apresenta um agente de aprendizado por reforço profundo para gestão de carteiras que equilibra a busca por retorno com a contenção de risco. Sua política-alvo ajusta o quanto o agente favorece a ação ideal, usando um parâmetro ajustável de avidez para incentivar escolhas de menor risco. Os autores avaliam a abordagem com dados do mercado de criptomoedas, escolhidos pela abundância de observações por minuto e pela alta volatilidade.

No período de teste relatado, o agente teve retorno de 1800% e o menor risco entre os métodos comparados. Experimentos adicionais indicam desempenho robusto em condições de alta volatilidade do mercado e períodos curtos de treinamento. O trecho não especifica a medida de risco, os métodos de comparação, os ativos, os custos de transação nem o desenho da avaliação; portanto, as alegações de desempenho não podem ser avaliadas em detalhe nem consideradas generalizáveis para além dos experimentos descritos.

Ideias principais

• O agente proposto otimiza a gestão de carteiras considerando tanto o lucro quanto a contenção de risco.
• Uma política-alvo ajustável controla a preferência pela ação ideal e busca favorecer ações de menor risco.
• A abordagem é avaliada com dados do mercado de criptomoedas e observações por minuto.
• Os autores relatam retorno de 1800% no período de teste e o menor risco entre os métodos comparados.
• Experimentos adicionais sugerem robustez a alta volatilidade e períodos curtos de treinamento, embora o trecho omita detalhes da avaliação.

Tags

# 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.

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.