Глубокое обучение с подкреплением для управления криптопортфелем с учётом риска

Сводка

В статье представлен агент глубокого обучения с подкреплением для управления портфелем, который сочетает стремление к доходности с ограничением риска. Целевая политика регулирует, насколько сильно агент предпочитает оптимальное действие, используя настраиваемый параметр жадности для выбора действий с меньшим риском. Авторы оценивают подход на рыночных данных криптовалют, выбранных из-за большого объёма поминутных наблюдений и высокой волатильности.

За указанный тестовый период доходность агента составила 1800%, а его риск был ниже, чем у сравниваемых методов. Дополнительные эксперименты указывают на устойчивость результатов при высокой волатильности рынка и коротких периодах обучения. В отрывке не указаны мера риска, методы сравнения, активы, транзакционные издержки или схема оценки, поэтому подробно проверить утверждения о результативности или предполагать их обобщение за пределами указанных экспериментов нельзя.

Ключевые идеи

• Предложенный агент управляет портфелем, учитывая как стремление к прибыли, так и ограничение риска.
• Настраиваемая целевая политика регулирует предпочтение оптимального действия и призвана склонять выбор к действиям с меньшим риском.
• Подход оценивается на рыночных данных криптовалют с поминутными наблюдениями.
• Авторы сообщают о доходности 1800% за тестовый период и наименьшем риске среди сравниваемых методов.
• Дополнительные эксперименты указывают на устойчивость к высокой волатильности и коротким периодам обучения, хотя в отрывке нет подробностей оценки.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.