Aprendizado por reforço para carteiras de futuros de cripto com empréstimos e posições vendidas

Resumo

O estudo propõe um gestor de carteiras com aprendizado por reforço para um contexto de alto risco. Ele combina transações compradas e vendidas com empréstimos e captação de recursos, usa uma recompensa baseada em lucros e perdas e busca melhorar a gestão de risco de queda e o uso do capital. A implementação combina um agente Soft Actor-Critic com uma rede convolucional e atenção multi-head. A carteira contém criptoativos negociados em contratos futuros perpétuos, com USDT usado para empréstimos e captação de recursos e rebalanceamento periódico baseado em dados recentes do mercado.

O modelo é avaliado em dois períodos com diferentes condições de volatilidade, e os autores relatam desempenho superior aos benchmarks, especialmente nos cenários de alta volatilidade. O trecho não identifica os benchmarks, não apresenta medidas de risco detalhadas, não explica o tratamento dos custos de transação nem fornece evidências além desses testes históricos. Portanto, os resultados descrevem a avaliação relatada e não estabelecem que a abordagem continuará lucrativa em outros períodos ou na negociação em mercado real.

Ideias principais

• O gestor de carteiras combina transações compradas e vendidas com empréstimos e captação de recursos.
• Uma recompensa baseada em lucros e perdas busca apoiar a gestão de risco de queda e a alocação de capital.
• A implementação usa Soft Actor-Critic com uma rede convolucional e atenção multi-head.
• O modelo é avaliado em uma carteira diversificada de futuros perpétuos de cripto, com rebalanceamento periódico.
• O desempenho superior aos benchmarks relatado é mais forte nos períodos de teste de alta volatilidade; os limites de generalização não estão claros.

Tags

# Optimizing Portfolio with Two-Sided Transactions and Lending: A Reinforcement Learning Framework


# Optimizing Portfolio with Two-Sided Transactions and Lending: A Reinforcement Learning Framework









This study presents a Reinforcement Learning (RL)-based portfolio management model tailored for high-risk environments, addressing the limitations of traditional RL models and exploiting market opportunities through two-sided transactions and lending. Our approach integrates a new environmental formulation with a Profit and Loss (PnL)-based reward function, enhancing the RL agent's ability in downside risk management and capital optimization. We implemented the model using the Soft Actor-Critic (SAC) agent with a Convolutional Neural Network with Multi-Head Attention (CNN-MHA). This setup effectively manages a diversified 12-crypto asset portfolio in the Binance perpetual futures market, leveraging USDT for both granting and receiving loans and rebalancing every 4 hours, utilizing market data from the preceding 48 hours. Tested over two 16-month periods of varying market volatility, the model significantly outperformed benchmarks, particularly in high-volatility scenarios, achieving higher return-to-risk ratios and demonstrating robust profitability. These results confirm the model's effectiveness in leveraging market dynamics and managing risks in volatile environments like the cryptocurrency market.

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.