Học tăng cường sâu quản lý danh mục tiền mã hóa có xét đến rủi ro

Tóm tắt

Bài nghiên cứu trình bày một tác nhân học tăng cường sâu quản lý danh mục, cân bằng mục tiêu tìm kiếm lợi nhuận với việc kiềm chế rủi ro. Chính sách mục tiêu điều chỉnh mức độ tác nhân ưu tiên hành động tối ưu bằng tham số tham lam có thể điều chỉnh, nhằm khuyến khích lựa chọn ít rủi ro hơn. Các tác giả đánh giá phương pháp trên dữ liệu thị trường tiền mã hóa, được chọn vì có nhiều quan sát theo phút và biến động cao.

Trong giai đoạn kiểm tra được báo cáo, tác nhân đạt lợi nhuận 1800% và có mức rủi ro thấp nhất trong số các phương pháp được so sánh. Các thí nghiệm khác cho thấy hiệu quả vững chắc khi thị trường biến động mạnh và thời gian huấn luyện ngắn. Trích đoạn không nêu thước đo rủi ro, phương pháp so sánh, tài sản, chi phí giao dịch hoặc thiết kế đánh giá; vì vậy, không thể đánh giá chi tiết các tuyên bố về hiệu quả hay giả định rằng chúng khái quát ra ngoài những thí nghiệm đã nêu.

Ý chính

• Tác nhân được đề xuất tối ưu hóa quản lý danh mục, chú trọng cả lợi nhuận lẫn việc kiềm chế rủi ro.
• Chính sách mục tiêu có thể điều chỉnh mức ưu tiên hành động tối ưu và hướng đến lựa chọn ít rủi ro hơn.
• Phương pháp được đánh giá bằng dữ liệu thị trường tiền mã hóa có quan sát theo phút.
• Các tác giả báo cáo lợi nhuận 1800% trong giai đoạn kiểm tra và mức rủi ro thấp nhất trong số các phương pháp được so sánh.
• Các thí nghiệm bổ sung gợi ý độ vững trước biến động cao và thời gian huấn luyện ngắn, dù trích đoạn không nêu chi tiết đánh giá.

Thẻ

# Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning


# Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning









The autonomous trading agent is one of the most actively studied areas of artificial intelligence to solve the capital market portfolio management problem. The two primary goals of the portfolio management problem are maximizing profit and restrainting risk. However, most approaches to this problem solely take account of maximizing returns. Therefore, this paper proposes a deep reinforcement learning based trading agent that can manage the portfolio considering not only profit maximization but also risk restraint. We also propose a new target policy to allow the trading agent to learn to prefer low-risk actions. The new target policy can be reflected in the update by adjusting the greediness for the optimal action through the hyper parameter. The proposed trading agent verifies the performance through the data of the cryptocurrency market. The Cryptocurrency market is the best test-ground for testing our trading agents because of the huge amount of data accumulated every minute and the market volatility is extremely large. As a experimental result, during the test period, our agents achieved a return of 1800% and provided the least risky investment strategy among the existing methods. And, another experiment shows that the agent can maintain robust generalized performance even if market volatility is large or training period is short.

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.