論文の概要: Profitable Strategy Design by Using Deep Reinforcement Learning for
Trades on Cryptocurrency Markets
- arxiv url: http://arxiv.org/abs/2201.05906v1
- Date: Sat, 15 Jan 2022 18:45:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 14:49:18.756410
- Title: Profitable Strategy Design by Using Deep Reinforcement Learning for
Trades on Cryptocurrency Markets
- Title(参考訳): 暗号通貨市場取引における深層強化学習による利益戦略設計
- Authors: Mohsen Asgari, Seyed Hossein Khasteh
- Abstract要約: 我々は,3つの暗号市場の戦略設計問題に対して,プロキシポリシー最適化,ソフトアクタ-C模倣,ジェネレーティブ・アドバシリティック・ラーニングを適用した。
未確認データに対するテスト結果は、投資家が市場を搾取し利益を得るためのエキスパートシステムを構築する上で、このアプローチの大きな可能性を示している。
- 参考スコア(独自算出の注目度): 2.741266294612776
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep Reinforcement Learning solutions have been applied to different control
problems with outperforming and promising results. In this research work we
have applied Proximal Policy Optimization, Soft Actor-Critic and Generative
Adversarial Imitation Learning to strategy design problem of three
cryptocurrency markets. Our input data includes price data and technical
indicators. We have implemented a Gym environment based on cryptocurrency
markets to be used with the algorithms. Our test results on unseen data shows a
great potential for this approach in helping investors with an expert system to
exploit the market and gain profit. Our highest gain for an unseen 66 day span
is 4850 US dollars per 10000 US dollars investment. We also discuss on how a
specific hyperparameter in the environment design can be used to adjust risk in
the generated strategies.
- Abstract(参考訳): 深層強化学習ソリューションは、パフォーマンスと有望な結果を伴う様々な制御問題に適用されている。
本研究は,3つの暗号市場の戦略設計問題に対して,プロキシマルポリシー最適化,ソフトアクタクリティカル,ジェネレーティブ・アドバイサル・イミテーション・ラーニングを適用した。
入力データには価格データと技術指標が含まれています。
我々は、暗号通貨市場に基づくジム環境を実装し、アルゴリズムで使用しました。
未確認データに対するテスト結果は、投資家が市場を搾取し利益を得るためのエキスパートシステムを構築する上で、このアプローチの大きな可能性を示している。
66日間の最高利益は1万ドル投資当たり4850米ドルである。
また,環境設計における特定のハイパーパラメータを用いて,生成した戦略のリスクを調整する方法について論じる。
関連論文リスト
- A Framework for Empowering Reinforcement Learning Agents with Causal
Analysis: Enhancing Automated Cryptocurrency Trading [1.5683566370372715]
本研究の目的は,5つの暗号通貨を対象とした強化学習に基づく自動取引システムを開発することである。
本稿では,意思決定支援システムとしてのフレームワークCausalReinforceNetを紹介する。
我々はCausalReinforceNetフレームワークを用いて,それぞれ異なる強化学習アルゴリズムに基づいて2つのエージェントを開発する。
論文 参考訳(メタデータ) (2023-10-14T01:08:52Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳(メタデータ) (2023-10-02T12:33:28Z) - Dynamic Datasets and Market Environments for Financial Reinforcement
Learning [68.11692837240756]
FinRL-Metaは、現実世界の市場からジムスタイルの市場環境へ動的データセットを処理するライブラリである。
我々は,ユーザが新しい取引戦略を設計するための足場として,人気のある研究論文を例示し,再現する。
また、ユーザが自身の結果を視覚化し、相対的なパフォーマンスを評価するために、このライブラリをクラウドプラットフォームにデプロイします。
論文 参考訳(メタデータ) (2023-04-25T22:17:31Z) - Uniswap Liquidity Provision: An Online Learning Approach [49.145538162253594]
分散取引所(DEX)は、テクノロジーを活用した新しいタイプのマーケットプレイスである。
そのようなDECの1つ、Unixwap v3は、流動性プロバイダが資金のアクティブな価格間隔を指定することで、より効率的に資金を割り当てることを可能にする。
これにより、価格間隔を選択するための最適な戦略を見出すことが問題となる。
我々は、この問題を非確率的な報酬を伴うオンライン学習問題として定式化する。
論文 参考訳(メタデータ) (2023-02-01T17:21:40Z) - Deep Reinforcement Learning for Cryptocurrency Trading: Practical
Approach to Address Backtest Overfitting [15.69458914236069]
深層強化学習を用いた暗号通貨取引のバックテストオーバーフィッティングに対処する実践的アプローチを提案する。
我々はDRLエージェントを訓練し、過剰適合の確率を推定し、過適合のエージェントを拒絶し、良好な取引性能の機会を増大させる。
過度に適合しない深層強化学習エージェントは、過剰適合エージェントよりもシャープ比が高く、均等な重量戦略、S&P DBM指数が示される。
論文 参考訳(メタデータ) (2022-09-12T19:18:48Z) - Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。
模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
論文 参考訳(メタデータ) (2021-12-08T14:55:21Z) - Application of Three Different Machine Learning Methods on Strategy
Creation for Profitable Trades on Cryptocurrency Markets [0.0]
3つの暗号市場の方向検出問題に対して、k-Nearest Neighbours、eXtreme Gradient Boosting、Random Forest分類器を適用する。
未確認のデータに関する当社のテスト結果は、専門家システムを持つ投資家が市場を搾取し、利益を得るのを助けるこのアプローチに大きな可能性を示しています。
論文 参考訳(メタデータ) (2021-05-14T13:42:46Z) - Taking Over the Stock Market: Adversarial Perturbations Against
Algorithmic Traders [47.32228513808444]
本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。
入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
論文 参考訳(メタデータ) (2020-10-19T06:28:05Z) - GA-MSSR: Genetic Algorithm Maximizing Sharpe and Sterling Ratio Method
for RoboTrading [0.4568777157687961]
外国為替は世界最大の金融市場である。
ほとんどの文献は、歴史的価格情報と技術指標を訓練に用いた。
この問題に対処するため,我々は,技術指標と取引規則から派生した取引規則の特徴を設計した。
論文 参考訳(メタデータ) (2020-08-16T05:33:35Z) - Pump and Dumps in the Bitcoin Era: Real Time Detection of Cryptocurrency
Market Manipulations [63.732639864601914]
インターネット上のコミュニティによって組織されたポンプとダンプの詳細な分析を行う。
これらのコミュニティがどのように組織化され、どのように詐欺を行うかを観察します。
本研究では,不正行為をリアルタイムに検出する手法を提案する。
論文 参考訳(メタデータ) (2020-05-04T21:36:18Z) - Ascertaining price formation in cryptocurrency markets with DeepLearning [8.413339060443878]
本論文は,近年の株式市場予測にディープラーニングを用いた成功に触発されたものである。
暗号通貨市場の特徴を高周波で分析・提示する。
私たちは、Bitcoinと米ドルのライブ為替レートの中間価格運動の予測について、一貫した78%の精度を達成しました。
論文 参考訳(メタデータ) (2020-02-09T20:23:08Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。