Học tăng cường cho giao dịch cặp tiền mã hóa với quy mô điều chỉnh linh hoạt

Tóm tắt

Nghiên cứu này tìm hiểu liệu học tăng cường có thể cải thiện giao dịch cặp tiền mã hóa hay không; đây là cách tiếp cận kinh doanh chênh lệch thống kê dựa trên chênh lệch giá giữa các tài sản tương quan. Các tác giả xây dựng môi trường giao dịch và huấn luyện các tác nhân lựa chọn thời điểm và cách thức giao dịch cặp tiền mã hóa. Họ cũng phát triển cách định hình phần thưởng cùng không gian quan sát và hành động cho tác vụ học, nhằm điều chỉnh quyết định giao dịch một cách linh hoạt.

Các thử nghiệm sử dụng dữ liệu BTC-GBP và BTC-EUR theo từng phút. Lợi nhuận thường niên hóa được báo cáo của giao dịch cặp truyền thống là 8.33%, so với khoảng từ 9.94% đến 31.53% của các tác nhân học tăng cường được thử nghiệm, tùy thuộc vào thuật toán học. Những kết quả này cho thấy hiệu quả lịch sử tốt hơn trong các thử nghiệm được báo cáo, nhưng tự chúng không chứng minh khả năng sinh lời khi giao dịch thực. Tài liệu không nêu chi phí giao dịch, so sánh theo điều chỉnh rủi ro hay chi tiết kiểm định ngoài mẫu, vì vậy nên diễn giải kết quả trong phạm vi dữ liệu và đánh giá đã mô tả.

Ý chính

• Nghiên cứu áp dụng học tăng cường vào giao dịch cặp giữa các loại tiền mã hóa có tương quan.
• Các tác nhân được huấn luyện để chọn thời điểm và quy mô giao dịch trong những môi trường được xây dựng.
• Phương pháp sử dụng cách định hình phần thưởng cùng không gian quan sát và hành động được thiết kế riêng.
• Các thử nghiệm sử dụng dữ liệu BTC-GBP và BTC-EUR với tần suất một phút.
• Khoảng lợi nhuận RL được báo cáo cao hơn kết quả của chiến lược truyền thống, nhưng phần tóm tắt chưa làm rõ độ vững chắc khi giao dịch thực và chi phí.

Thẻ

# Reinforcement Learning Pair Trading: A Dynamic Scaling approach


# Reinforcement Learning Pair Trading: A Dynamic Scaling approach









Cryptocurrency is a cryptography-based digital asset with extremely volatile prices. Around USD 70 billion worth of cryptocurrency is traded daily on exchanges. Trading cryptocurrency is difficult due to the inherent volatility of the crypto market. This study investigates whether Reinforcement Learning (RL) can enhance decision-making in cryptocurrency algorithmic trading compared to traditional methods. In order to address this question, we combined reinforcement learning with a statistical arbitrage trading technique, pair trading, which exploits the price difference between statistically correlated assets. We constructed RL environments and trained RL agents to determine when and how to trade pairs of cryptocurrencies. We developed new reward shaping and observation/action spaces for reinforcement learning. We performed experiments with the developed reinforcement learner on pairs of BTC-GBP and BTC-EUR data separated by 1 min intervals (n=263,520). The traditional non-RL pair trading technique achieved an annualized profit of 8.33%, while the proposed RL-based pair trading technique achieved annualized profits from 9.94% to 31.53%, depending upon the RL learner. Our results show that RL can significantly outperform manual and traditional pair trading techniques when applied to volatile markets such as~cryptocurrencies.

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.