Aprendizado por reforço para trading de pares de criptomoedas com escala dinâmica

Resumo

Este estudo investiga se o aprendizado por reforço pode aprimorar o trading de pares de criptomoedas, uma abordagem de arbitragem estatística que negocia diferenças de preço entre ativos correlacionados. Os autores constroem ambientes de trading e treinam agentes para escolher quando e como negociar pares de criptomoedas. Também desenvolvem ajustes da função de recompensa e espaços de observação e ação para a tarefa de aprendizado, com o objetivo de adaptar dinamicamente as decisões de trading.

Os experimentos usam dados de um minuto de BTC-GBP e BTC-EUR. O lucro anualizado relatado para o trading tradicional de pares é 8.33%, em comparação com uma faixa de 9.94% a 31.53% para os agentes de aprendizado por reforço testados, dependendo do algoritmo de aprendizado. Esses resultados indicam desempenho histórico superior nos experimentos relatados, mas não comprovam, por si só, rentabilidade no trading ao vivo. O documento não especifica custos de transação, comparações ajustadas ao risco ou detalhes da validação fora da amostra; portanto, os resultados devem ser interpretados dentro dos limites dos dados e da avaliação descritos.

Ideias principais

• O estudo aplica aprendizado por reforço ao trading de pares entre criptomoedas correlacionadas.
• Os agentes são treinados para escolher o momento e o tamanho das operações em ambientes construídos para esse fim.
• A abordagem usa ajustes próprios da função de recompensa e espaços de observação e ação.
• Os experimentos abrangem BTC-GBP e BTC-EUR em intervalos de um minuto.
• A faixa de lucro RL relatada supera o resultado da estratégia tradicional, mas o resumo não esclarece a robustez no trading ao vivo nem os custos.

Tags

# Reinforcement Learning Pair Trading: A Dynamic Scaling approach


# Reinforcement Learning Pair Trading: A Dynamic Scaling approach









Cryptocurrency is a cryptography-based digital asset with extremely volatile prices. Around USD 70 billion worth of cryptocurrency is traded daily on exchanges. Trading cryptocurrency is difficult due to the inherent volatility of the crypto market. This study investigates whether Reinforcement Learning (RL) can enhance decision-making in cryptocurrency algorithmic trading compared to traditional methods. In order to address this question, we combined reinforcement learning with a statistical arbitrage trading technique, pair trading, which exploits the price difference between statistically correlated assets. We constructed RL environments and trained RL agents to determine when and how to trade pairs of cryptocurrencies. We developed new reward shaping and observation/action spaces for reinforcement learning. We performed experiments with the developed reinforcement learner on pairs of BTC-GBP and BTC-EUR data separated by 1 min intervals (n=263,520). The traditional non-RL pair trading technique achieved an annualized profit of 8.33%, while the proposed RL-based pair trading technique achieved annualized profits from 9.94% to 31.53%, depending upon the RL learner. Our results show that RL can significantly outperform manual and traditional pair trading techniques when applied to volatile markets such as~cryptocurrencies.

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.