Học tăng cường sâu để quản lý danh mục tiền mã hóa

Tóm tắt

Bài nghiên cứu trình bày một khung học tăng cường không dựa trên mô hình để tái phân bổ danh mục giữa các tài sản tài chính. Các thành phần của khung gồm một tập hợp bộ đánh giá độc lập, bộ nhớ về trọng số danh mục trước đó, học trực tuyến theo lô ngẫu nhiên và hàm thưởng tường minh. Khung được triển khai bằng mạng nơ-ron tích chập, hồi tiếp và bộ nhớ ngắn-dài hạn.

Đánh giá được báo cáo sử dụng ba phép kiểm thử lịch sử trên dữ liệu tiền mã hóa với các kỳ giao dịch 30 phút. Các tác giả so sánh mô hình với những chiến lược lựa chọn danh mục khác và cho biết ba cách triển khai của họ lần lượt chiếm ba vị trí đầu trong các thử nghiệm, dù chịu mức hoa hồng 0.25%, với lợi nhuận ít nhất gấp bốn lần trong 50 ngày. Đây là kết quả kiểm thử lịch sử, không phải bằng chứng về hiệu suất trong tương lai. Phần trích dẫn không xác định tài sản, cách chia dữ liệu, thước đo rủi ro hay kiểm tra độ vững, nên chỉ cung cấp ít chi tiết để đánh giá hiện tượng khớp quá mức hoặc tính khả thi khi giao dịch thực.

Ý chính

• Khung này học cách tái phân bổ danh mục mà không dựa vào mô hình thị trường tài chính tường minh.
• Phương pháp kết hợp các bộ đánh giá tài sản độc lập với bộ nhớ về trọng số danh mục trước đó.
• Học trực tuyến theo lô ngẫu nhiên và hàm thưởng tường minh là những thành phần cốt lõi của phương pháp.
• Các tác giả thử nghiệm CNN, RNN và LSTM cách triển khai trong kiểm thử lịch sử tiền mã hóa.
• Thứ hạng và lợi nhuận được báo cáo từ kiểm thử lịch sử không chứng minh hiệu suất trên thị trường thực.

Thẻ

# A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem


# A Deep Reinforcement Learning Framework for the Financial Portfolio Management Problem









Financial portfolio management is the process of constant redistribution of a fund into different financial products. This paper presents a financial-model-free Reinforcement Learning framework to provide a deep machine learning solution to the portfolio management problem. The framework consists of the Ensemble of Identical Independent Evaluators (EIIE) topology, a Portfolio-Vector Memory (PVM), an Online Stochastic Batch Learning (OSBL) scheme, and a fully exploiting and explicit reward function. This framework is realized in three instants in this work with a Convolutional Neural Network (CNN), a basic Recurrent Neural Network (RNN), and a Long Short-Term Memory (LSTM). They are, along with a number of recently reviewed or published portfolio-selection strategies, examined in three back-test experiments with a trading period of 30 minutes in a cryptocurrency market. Cryptocurrencies are electronic and decentralized alternatives to government-issued money, with Bitcoin as the best-known example of a cryptocurrency. All three instances of the framework monopolize the top three positions in all experiments, outdistancing other compared trading algorithms. Although with a high commission rate of 0.25% in the backtests, the framework is able to achieve at least 4-fold returns in 50 days.

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.