Teste de sobreajuste em backtests de estratégias de aprendizado por reforço profundo para cripto
Artigo arXiv papers · Autor: Berend Jelmer Dirk Gort et al.
Resumo
O artigo trata o sobreajuste em backtests de aprendizado por reforço profundo (DRL) para trading de criptomoedas como um problema de teste de hipóteses. Treina agentes DRL, estima a probabilidade de sobreajuste de cada agente e rejeita aqueles considerados sobreajustados. O objetivo é reduzir falsos positivos em testes históricos e aumentar as chances de que as estratégias selecionadas tenham bom desempenho além do backtest.
Ideias principais
- Os autores formulam a detecção de sobreajuste em backtests como um teste de hipóteses.
- Estimam probabilidades de sobreajuste para agentes DRL treinados e rejeitam os identificados como sobreajustados.
- Em um teste com 10 criptomoedas, agentes menos sobreajustados tiveram retornos maiores que os dos mais sobreajustados e das referências indicadas.
- A avaliação abrangeu um período curto que incluiu duas quedas do mercado cripto, portanto não comprova desempenho em outras condições de mercado.
- A triagem por backtest oferece evidências para selecionar agentes, mas não garante sucesso no mercado real.
Tags
Texto completo
# Deep Reinforcement Learning for Cryptocurrency Trading: Practical Approach to Address Backtest Overfitting # Deep Reinforcement Learning for Cryptocurrency Trading: Practical Approach to Address Backtest Overfitting Designing profitable and reliable trading strategies is challenging in the highly volatile cryptocurrency market. Existing works applied deep reinforcement learning methods and optimistically reported increased profits in backtesting, which may suffer from the false positive issue due to overfitting. In this paper, we propose a practical approach to address backtest overfitting for cryptocurrency trading using deep reinforcement learning. First, we formulate the detection of backtest overfitting as a hypothesis test. Then, we train the DRL agents, estimate the probability of overfitting, and reject the overfitted agents, increasing the chance of good trading performance. Finally, on 10 cryptocurrencies over a testing period from 05/01/2022 to 06/27/2022 (during which the crypto market crashed two times), we show that the less overfitted deep reinforcement learning agents have a higher return than that of more overfitted agents, an equal weight strategy, and the S&P DBM Index (market benchmark), offering confidence in possible deployment to a real 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.