Học tăng cường sâu để phân bổ danh mục tiền mã hóa

Tóm tắt

Bài báo mô tả mạng nơ-ron tích chập không dựa trên mô hình, nhận giá lịch sử của một tập hợp tài sản và xuất ra tỷ trọng danh mục. Mạng được huấn luyện bằng học tăng cường, trong đó lợi nhuận tích lũy làm phần thưởng. Dữ liệu huấn luyện bao gồm giá tiền mã hóa trong 0.7 năm từ một sàn giao dịch; khoảng thời gian giao dịch được mô tả là 30 phút.

Các kiểm thử lịch sử trên cùng thị trường báo cáo lợi nhuận gấp mười lần trong khoảng thời gian 1.8 tháng, với kết quả được so sánh với một số chiến lược chọn danh mục mới công bố gần đây. Phần trích dẫn không xác định sàn giao dịch, tài sản, chi tiết chỉ số chuẩn, chi phí giao dịch hoặc liệu dữ liệu đánh giá có độc lập với dữ liệu huấn luyện hay không. Lịch sử huấn luyện ngắn và việc kiểm thử trên cùng thị trường giới hạn những gì có thể suy ra về độ vững chắc hoặc khả năng chuyển sang thị trường khác; kết quả được mô tả ở đây không hỗ trợ tuyên bố rằng phương pháp có thể áp dụng ở nơi khác.

Ý chính

• Mạng nơ-ron tích chập chuyển giá lịch sử của tài sản thành tỷ trọng danh mục.
• Mô hình được huấn luyện bằng học tăng cường để tối đa hóa lợi nhuận tích lũy.
• Mẫu huấn luyện được báo cáo bao gồm dữ liệu giá tiền mã hóa trong 0.7 năm.
• Kiểm thử lịch sử dùng các khoảng giao dịch 30 phút trên cùng thị trường và báo cáo lợi nhuận gấp mười lần trong 1.8 tháng.
• Phần trích dẫn không xác lập độ vững chắc ngoài mẫu hoặc hiệu quả trên các thị trường khác.

Thẻ

# Cryptocurrency Portfolio Management with Deep Reinforcement Learning


# Cryptocurrency Portfolio Management with Deep Reinforcement Learning









Portfolio management is the decision-making process of allocating an amount of fund into different financial investment products. Cryptocurrencies are electronic and decentralized alternatives to government-issued money, with Bitcoin as the best-known example of a cryptocurrency. This paper presents a model-less convolutional neural network with historic prices of a set of financial assets as its input, outputting portfolio weights of the set. The network is trained with 0.7 years' price data from a cryptocurrency exchange. The training is done in a reinforcement manner, maximizing the accumulative return, which is regarded as the reward function of the network. Backtest trading experiments with trading period of 30 minutes is conducted in the same market, achieving 10-fold returns in 1.8 months' periods. Some recently published portfolio selection strategies are also used to perform the same back-tests, whose results are compared with the neural network. The network is not limited to cryptocurrency, but can be applied to any other financial markets.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.