قرض دینے اور شارٹ پوزیشن سمیت کرپٹو فیوچرز پورٹ فولیو کے لیے تقویتی سیکھ

خلاصہ

یہ مطالعہ زیادہ خطرے والے ماحول کے لیے تقویتی سیکھ پر مبنی پورٹ فولیو مینیجر تجویز کرتا ہے۔ یہ خرید و فروخت کے دونوں رخوں کو قرض دینے اور ادھار لینے کے ساتھ ملاتا ہے، منافع و نقصان کو انعام کے طور پر استعمال کرتا ہے، اور منفی رخ کے خطرے کے انتظام اور سرمایہ کے استعمال کو بہتر بنانے کا ہدف رکھتا ہے۔ اس کے نفاذ میں Soft Actor-Critic ایجنٹ کو کنولوشنل نیٹ ورک اور ملٹی ہیڈ توجہ کے ساتھ ملایا گیا ہے۔ پورٹ فولیو میں پرپیچوئل فیوچرز میں ٹریڈ ہونے والے کرپٹو اثاثے شامل ہیں، جہاں USDT قرض دینے اور ادھار لینے کے لیے استعمال ہوتا ہے اور حالیہ منڈی کے ڈیٹا کی بنیاد پر وقفے وقفے سے توازن کیا جاتا ہے۔

ماڈل کا مختلف اتار چڑھاؤ والے دو ادوار میں جائزہ لیا گیا، اور مصنفین نے خاص طور پر زیادہ اتار چڑھاؤ کے حالات میں معیار سے بہتر کارکردگی رپورٹ کی۔ اقتباس میں معیاروں کی شناخت، خطرے کے تفصیلی پیمانے، لین دین کی لاگت کا برتاؤ یا ان تاریخی آزمائشوں سے آگے کے شواہد نہیں دیے گئے۔ لہٰذا نتائج صرف رپورٹ کردہ جائزے کی وضاحت کرتے ہیں؛ ان سے یہ ثابت نہیں ہوتا کہ یہ طریقہ دوسرے ادوار میں یا لائیو ٹریڈنگ میں منافع بخش رہے گا۔

اہم خیالات

• پورٹ فولیو مینیجر لانگ اور شارٹ ٹرانزیکشنز کو قرض دینے اور ادھار لینے کے ساتھ ملاتا ہے۔
• منافع و نقصان پر مبنی انعام کو منفی رخ کے خطرے کے انتظام اور سرمایہ کی تقسیم میں مدد کے لیے بنایا گیا ہے۔
• نفاذ میں Soft Actor-Critic کے ساتھ کنولوشنل نیٹ ورک اور ملٹی ہیڈ توجہ استعمال ہوتی ہے۔
• ماڈل کا متنوع کرپٹو پرپیچوئل فیوچرز پورٹ فولیو پر وقفے وقفے سے توازن کے ساتھ جائزہ لیا گیا۔
• رپورٹ شدہ معیار سے بہتر کارکردگی زیادہ اتار چڑھاؤ والے آزمائشی ادوار میں سب سے نمایاں ہے، مگر عمومی اطلاق کی حدود واضح نہیں۔

ٹیگز

# Optimizing Portfolio with Two-Sided Transactions and Lending: A Reinforcement Learning Framework


# Optimizing Portfolio with Two-Sided Transactions and Lending: A Reinforcement Learning Framework









This study presents a Reinforcement Learning (RL)-based portfolio management model tailored for high-risk environments, addressing the limitations of traditional RL models and exploiting market opportunities through two-sided transactions and lending. Our approach integrates a new environmental formulation with a Profit and Loss (PnL)-based reward function, enhancing the RL agent's ability in downside risk management and capital optimization. We implemented the model using the Soft Actor-Critic (SAC) agent with a Convolutional Neural Network with Multi-Head Attention (CNN-MHA). This setup effectively manages a diversified 12-crypto asset portfolio in the Binance perpetual futures market, leveraging USDT for both granting and receiving loans and rebalancing every 4 hours, utilizing market data from the preceding 48 hours. Tested over two 16-month periods of varying market volatility, the model significantly outperformed benchmarks, particularly in high-volatility scenarios, achieving higher return-to-risk ratios and demonstrating robust profitability. These results confirm the model's effectiveness in leveraging market dynamics and managing risks in volatile environments like the cryptocurrency market.

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۔