Học tăng cường cho danh mục hợp đồng tương lai tiền mã hóa có cho vay và bán khống

Tóm tắt

Nghiên cứu đề xuất một công cụ quản lý danh mục bằng học tăng cường cho bối cảnh rủi ro cao. Công cụ kết hợp giao dịch hai chiều với cho vay và vay, sử dụng phần thưởng lãi lỗ, đồng thời hướng đến cải thiện quản lý rủi ro giảm giá và hiệu quả sử dụng vốn. Triển khai ghép tác nhân Soft Actor-Critic với mạng tích chập và attention đa đầu. Danh mục gồm tài sản tiền mã hóa được giao dịch bằng hợp đồng tương lai vĩnh cửu, dùng USDT để cho vay và vay, đồng thời tái cân bằng định kỳ dựa trên dữ liệu thị trường gần đây.

Mô hình được đánh giá qua hai giai đoạn với các điều kiện biến động khác nhau; các tác giả báo cáo hiệu suất vượt chuẩn đối chiếu, đặc biệt trong các kịch bản biến động cao. Phần trích dẫn không nêu danh tính chuẩn đối chiếu, thước đo rủi ro chi tiết, cách xử lý chi phí giao dịch hoặc bằng chứng ngoài các kiểm định lịch sử đó. Vì vậy, kết quả chỉ mô tả đánh giá được báo cáo và không chứng minh phương pháp sẽ tiếp tục có lợi nhuận trong các giai đoạn khác hoặc khi giao dịch thực.

Ý chính

• Công cụ quản lý danh mục kết hợp giao dịch mua và bán khống với cho vay và vay.
• Phần thưởng lãi lỗ được thiết kế để hỗ trợ quản lý rủi ro giảm giá và phân bổ vốn.
• Phương pháp triển khai dùng Soft Actor-Critic cùng mạng tích chập và attention đa đầu.
• Mô hình được đánh giá trên danh mục hợp đồng tương lai vĩnh cửu tiền mã hóa đa dạng, có tái cân bằng định kỳ.
• Mức vượt chuẩn đối chiếu được báo cáo cao nhất trong các giai đoạn kiểm định biến động mạnh; giới hạn khả năng khái quát vẫn chưa rõ.

Thẻ

# 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.

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.