Проверка переобучения на бэктесте стратегий DRL для крипторынка
Статья arXiv papers · Автор: Berend Jelmer Dirk Gort et al.
Сводка
В статье переобучение на бэктесте при глубоком обучении с подкреплением (DRL) для торговли криптовалютами рассматривается как задача проверки гипотез. Авторы обучают DRL агентов, оценивают вероятность переобучения каждого и отбраковывают агентов, признанных переобученными. Цель — сократить число ложноположительных результатов исторического тестирования и повысить вероятность того, что выбранные стратегии будут хорошо работать за пределами бэктеста.
Ключевые идеи
- Авторы формулируют выявление переобучения на бэктесте как проверку гипотезы.
- Оцениваются вероятности переобучения обученных DRL агентов; агенты, признанные переобученными, отбраковываются.
- В тесте на 10 криптовалютах агенты с меньшим переобучением показали более высокую доходность, чем агенты с большим переобучением и указанные бенчмарки.
- Оценка охватывала короткий период с двумя обвалами крипторынка и не доказывает результативность в других рыночных условиях.
- Отбор по результатам бэктеста даёт данные для выбора агентов, но не гарантирует успеха на реальном рынке.
Теги
Полный текст
# 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.
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.