Ансамбль стратегий глубокого обучения с подкреплением для торговли криптовалютами

Сводка

В исследовании представлен ансамблевый подход к внутридневной торговле портфелем криптовалют с помощью глубокого обучения с подкреплением. Кандидатные модели отбираются по нескольким периодам валидации, а затем выбранные политики объединяются с помощью смеси распределений. Цель — улучшить обобщающую способность в условиях высокостохастичного рынка.

Авторы оценивают эффективность на детализированных тестовых периодах вне выборки и периодически переобучают модели с учётом изменения финансовых данных. Они сообщают об улучшении результатов вне выборки по сравнению как с отдельной стратегией глубокого обучения с подкреплением, так и с пассивными инвестициями. В документе не приведены сведения об активах, издержках, реализации, размере и статистической значимости выигрыша, поэтому одного этого сравнения недостаточно, чтобы подтвердить эффективность торговли на реальном счёте.

Ключевые идеи

• Для отбора моделей в ансамбль используются несколько периодов валидации.
• Политики выбранных моделей обучения с подкреплением объединяются с помощью смеси распределений.
• Устойчивость оценивается на более коротких периодах вне выборки по мере изменения рынка.
• Периодическое переобучение используется для учёта нестационарности финансовых данных.
• Согласно результатам вне выборки, описанный ансамбль превосходит отдельную стратегию глубокого обучения с подкреплением и пассивные инвестиции.

Теги

# An Ensemble Method of Deep Reinforcement Learning for Automated Cryptocurrency Trading


# An Ensemble Method of Deep Reinforcement Learning for Automated Cryptocurrency Trading









We propose an ensemble method to improve the generalization performance of trading strategies trained by deep reinforcement learning algorithms in a highly stochastic environment of intraday cryptocurrency portfolio trading. We adopt a model selection method that evaluates on multiple validation periods, and propose a novel mixture distribution policy to effectively ensemble the selected models. We provide a distributional view of the out-of-sample performance on granular test periods to demonstrate the robustness of the strategies in evolving market conditions, and retrain the models periodically to address non-stationarity of financial data. Our proposed ensemble method improves the out-of-sample performance compared with the benchmarks of a deep reinforcement learning strategy and a passive investment strategy.

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.