Kết hợp các chiến lược học tăng cường sâu cho giao dịch crypto

Tóm tắt

Nghiên cứu này trình bày cách tiếp cận tổ hợp cho giao dịch danh mục tiền mã hóa trong ngày bằng học tăng cường sâu. Nghiên cứu chọn các mô hình ứng viên qua nhiều giai đoạn xác thực, sau đó kết hợp các chính sách được chọn thông qua phân phối hỗn hợp. Mục tiêu là cải thiện khả năng khái quát hóa trong môi trường thị trường có tính ngẫu nhiên cao.

Các tác giả đánh giá hiệu suất qua những giai đoạn kiểm thử ngoài mẫu chi tiết và huấn luyện lại mô hình định kỳ để tính đến dữ liệu tài chính đang thay đổi. Họ báo cáo hiệu suất ngoài mẫu cải thiện so với cả chiến lược học tăng cường sâu độc lập lẫn đầu tư thụ động. Tài liệu không cung cấp chi tiết về tài sản, chi phí, triển khai, quy mô hay ý nghĩa thống kê của mức tăng, nên riêng phép so sánh được báo cáo chưa xác lập hiệu quả giao dịch thực.

Ý chính

• Nhiều giai đoạn xác thực được dùng để chọn mô hình cho tổ hợp.
• Chính sách phân phối hỗn hợp kết hợp các mô hình học tăng cường được chọn.
• Hiệu suất được xem xét qua các giai đoạn ngoài mẫu ngắn hơn để đánh giá độ vững chắc khi thị trường biến đổi.
• Huấn luyện lại định kỳ được sử dụng để xử lý dữ liệu tài chính không dừng.
• Trong các phép so sánh ngoài mẫu, tổ hợp được báo cáo là vượt trội so với chiến lược học tăng cường sâu độc lập và đầu tư thụ động.

Thẻ

# 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.

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.