跳至正文
返回文库全部文档

强化学习在加密货币投资组合管理中的应用

文章 arXiv papers · 作者: Kamal Paykan
阅读原文

总结

本文提出使用软演员评论家（SAC）和深度确定性策略梯度（DDPG）管理加密货币投资组合。智能体在模拟环境中利用历史市场数据学习连续交易操作，调整投资组合权重，以寻求累积收益，同时考虑下行风险和交易成本。SAC 使用熵正则化目标；论文认为，这有助于其在噪声较大的环境中保持更高稳定性。

在多种加密货币上的实验报告称，两种智能体的表现均优于等权和均值方差投资组合基准，且 SAC 比 DDPG 更稳定、更稳健。摘要没有说明资产、样本期、市场假设、交易成本模型或数值结果。证据来自使用历史数据和模拟环境进行的实验评估；仅凭这些结果，无法证明这些方法在实盘交易或不同市场条件下会有相似表现。

核心观点

  • SAC 和 DDPG 智能体在模拟环境中利用历史市场数据学习连续的投资组合操作。
  • 智能体在调整投资组合权重时考虑收益、下行风险和交易成本。
  • 论文报告称，在多种加密货币上，表现优于等权和均值方差基准。
  • 据报告，在噪声较大的市场环境中，SAC 比 DDPG 更稳定。
  • 摘要没有提供实验设置或数值表现细节。

标签

加密资产机器学习投资组合构建风险管理回测
全文
# 2511.20678


# Cryptocurrency Portfolio Management with Reinforcement Learning: Soft Actor--Critic and Deep Deterministic Policy Gradient Algorithms









This paper proposes a reinforcement learning--based framework for cryptocurrency portfolio management using the Soft Actor--Critic (SAC) and Deep Deterministic Policy Gradient (DDPG) algorithms. Traditional portfolio optimization methods often struggle to adapt to the highly volatile and nonlinear dynamics of cryptocurrency markets. To address this, we design an agent that learns continuous trading actions directly from historical market data through interaction with a simulated trading environment. The agent optimizes portfolio weights to maximize cumulative returns while minimizing downside risk and transaction costs. Experimental evaluations on multiple cryptocurrencies demonstrate that the SAC and DDPG agents outperform baseline strategies such as equal-weighted and mean--variance portfolios. The SAC algorithm, with its entropy-regularized objective, shows greater stability and robustness in noisy market conditions compared to DDPG. These results highlight the potential of deep reinforcement learning for adaptive and data-driven portfolio management in cryptocurrency markets.

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。