کرپٹو ٹریڈنگ کے لیے ڈیپ ری اِنفورسمنٹ لرننگ اسٹریٹیجیز کا مجموعہ

خلاصہ

یہ مطالعہ ڈیپ ری اِنفورسمنٹ لرننگ کے ذریعے انٹراڈے کرپٹو کرنسی پورٹ فولیو ٹریڈنگ کے لیے ایک مجموعی طریقہ پیش کرتا ہے۔ یہ متعدد توثیقی ادوار سے امیدوار ماڈلز چنتا ہے، پھر منتخب پالیسیوں کو مکسچر ڈسٹری بیوشن کے ذریعے یکجا کرتا ہے۔ مقصد انتہائی اسٹاکاسٹک مارکیٹ ماحول میں عمومی کارکردگی بہتر بنانا ہے۔

مصنفین بدلتے مالیاتی ڈیٹا کو مدنظر رکھنے کے لیے باریک آؤٹ آف سیمپل ٹیسٹ ادوار میں کارکردگی جانچتے اور ماڈلز کو وقفے وقفے سے دوبارہ تربیت دیتے ہیں۔ وہ ایک اکیلی ڈیپ ری اِنفورسمنٹ لرننگ اسٹریٹیجی اور غیر فعال سرمایہ کاری، دونوں کے مقابلے میں آؤٹ آف سیمپل کارکردگی بہتر ہونے کی اطلاع دیتے ہیں۔ دستاویز اثاثوں، لاگت، نفاذ، یا فوائد کے حجم اور شماریاتی اہمیت کی تفصیلات نہیں دیتی، اس لیے یہ تقابل بذات خود لائیو ٹریڈنگ کی افادیت ثابت نہیں کرتا۔

اہم خیالات

• مجموعی ماڈل کے لیے ماڈلز منتخب کرنے میں متعدد توثیقی ادوار استعمال کیے جاتے ہیں۔
• مکسچر ڈسٹری بیوشن پالیسی منتخب ری اِنفورسمنٹ لرننگ ماڈلز کو یکجا کرتی ہے۔
• منڈیوں کے بدلنے پر مضبوطی جانچنے کے لیے کارکردگی کا مختصر آؤٹ آف سیمپل ادوار میں جائزہ لیا جاتا ہے۔
• غیر ساکن مالیاتی ڈیٹا سے نمٹنے کے لیے وقفے وقفے سے دوبارہ تربیت کی جاتی ہے۔
• رپورٹ کردہ تقابل میں مجموعی طریقہ آؤٹ آف سیمپل ٹیسٹ پر اکیلی ڈیپ ری اِنفورسمنٹ لرننگ اسٹریٹیجی اور غیر فعال سرمایہ کاری سے بہتر رہا۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔