跳至正文
返回文库全部文档

集成深度强化学习策略进行加密货币交易

文章 arXiv papers · 作者: Shuyang Wang et al.
阅读原文

总结

该研究提出一种使用深度强化学习进行加密货币日内投资组合交易的集成方法。该方法通过多个验证期选择候选模型，再通过混合分布组合选定策略，旨在提高高度随机市场环境中的泛化能力。

作者在细分的样本外测试期评估表现，并定期重新训练模型，以适应不断变化的金融数据。他们报告称，与单一深度强化学习策略和被动投资相比，该方法的样本外表现有所改善。本文未提供资产、成本、实现细节或收益提升幅度及其统计显著性的信息，因此仅凭报告中的比较无法证明其在实盘交易中的效果。

核心观点

  • 该方法使用多个验证期来为集成策略选择模型。
  • 混合分布策略将选定的强化学习模型组合起来。
  • 该研究通过较短的样本外测试期考察市场变化时的稳健性。
  • 该方法通过定期重新训练来应对非平稳金融数据。
  • 报告中的集成方法在样本外比较中优于单一深度强化学习策略和被动投资。

标签

加密资产机器学习投资组合构建回测
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。