論文の概要: Deep Reinforcement Learning for Cryptocurrency Trading: Practical
Approach to Address Backtest Overfitting
- arxiv url: http://arxiv.org/abs/2209.05559v2
- Date: Wed, 14 Sep 2022 08:11:32 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-15 11:05:28.493789
- Title: Deep Reinforcement Learning for Cryptocurrency Trading: Practical
Approach to Address Backtest Overfitting
- Title(参考訳): 暗号通貨取引のための深層強化学習--バックテストオーバーフィッティングへの実践的アプローチ
- Authors: Berend Jelmer Dirk Gort, Xiao-Yang Liu, Xinghang Sun, Jiechao Gao,
Shuaiyu Chen, Christina Dan Wang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 15.69458914236069
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Designing profitable and reliable trading strategies is challenging in the
highly volatile cryptocurrency market. Existing works applied deep
reinforcement learning methods and optimistically reported increased profits in
backtesting, which may suffer from the false positive issue due to overfitting.
In this paper, we propose a practical approach to address backtest overfitting
for cryptocurrency trading using deep reinforcement learning. First, we
formulate the detection of backtest overfitting as a hypothesis test. Then, we
train the DRL agents, estimate the probability of overfitting, and reject the
overfitted agents, increasing the chance of good trading performance. Finally,
on 10 cryptocurrencies over a testing period from 05/01/2022 to 06/27/2022
(during which the crypto market crashed two times), we show that the less
overfitted deep reinforcement learning agents have a higher Sharpe ratio than
that of more over-fitted agents, an equal weight strategy, and the S&P DBM
Index (market benchmark), offering confidence in possible deployment to a real
market.
- Abstract(参考訳): 非常に不安定な暗号通貨市場では、利益と信頼性の高いトレーディング戦略を設計することは困難である。
既存の研究は深層強化学習法を適用し、過剰適合による偽陽性の問題に苦しむバックテストの利益を楽観的に報告している。
本稿では,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トに対処する実践的アプローチを提案する。
まず, 仮説テストとして, バックテストオーバーフィットの検出を定式化する。
そして、DRLエージェントを訓練し、過適合の確率を推定し、過適合のエージェントを拒絶し、良好な取引性能の可能性が高まる。
最後に、05/01/2022から06/27/2022(暗号市場が2回クラッシュしている間に)までの試験期間における10の暗号について、未適合の深層強化学習エージェントは、過適合の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(市場ベンチマーク)が示され、実際の市場への展開の信頼性を提供する。
関連論文リスト
- StockFormer: A Swing Trading Strategy Based on STL Decomposition and
Self-Attention Networks [0.3495246564946556]
Stockformerは、スイングトレーディングに最適化された最先端のディープラーニングフレームワークである。
ストックフォーマーは、S&P 500の複雑なデータを使って、株価のリターン予測を洗練させる。
私たちのバックテストでは、ストックホルダーのスイングトレーディング戦略は累積リターンが13.19%、年次リターンが30.80%だった。
論文 参考訳(メタデータ) (2023-11-23T04:33:47Z) - Combining Deep Learning on Order Books with Reinforcement Learning for
Profitable Trading [0.0]
本研究は,注文フローを用いた複数地平線におけるリターン予測と,5つの金融機器を対象とした3つの時間差不均衡学習モデルを訓練することに焦点を当てる。
この結果は潜在的な可能性を証明しているが、小売取引コスト、滑り込み、スプレッド・揺らぎを完全に処理するためには、一貫した黒字取引のためのさらなる最小限の修正が必要である。
論文 参考訳(メタデータ) (2023-10-24T15:58:58Z) - 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) - Diffusion Variational Autoencoder for Tackling Stochasticity in
Multi-Step Regression Stock Price Prediction [54.21695754082441]
長期的地平線上での多段階の株価予測は、ボラティリティの予測に不可欠である。
多段階の株価予測に対する現在の解決策は、主に単一段階の分類に基づく予測のために設計されている。
深層階層型変分オートコーダ(VAE)と拡散確率的手法を組み合わせてセック2seqの株価予測を行う。
本モデルでは, 予測精度と分散性の観点から, 最先端の解よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-08-18T16:21:15Z) - Can ChatGPT Forecast Stock Price Movements? Return Predictability and
Large Language Models [57.70351255180495]
当社はChatGPTを使用して、各見出しが企業の株価に対して良いか悪いか、中立かを評価する。
また,ChatGPTは従来の感情分析法よりも優れていた。
ChatGPT-4に基づくロングショート戦略はシャープ比が最も高い。
論文 参考訳(メタデータ) (2023-04-15T19:22:37Z) - Profitable Strategy Design by Using Deep Reinforcement Learning for
Trades on Cryptocurrency Markets [2.741266294612776]
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。
論文 参考訳(メタデータ) (2022-01-15T18:45:03Z) - 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) - Deep Reinforcement Learning in Quantitative Algorithmic Trading: A
Review [0.0]
深層強化学習エージェントはChessやGoといった多くのゲームで想定される力であることが証明された。
本稿では、ファイナンスにおけるAIのサブドメインにおける深層強化学習の進歩を概観する。
我々は、株取引におけるDRLは、強い前提の下でプロのトレーダーと競合する可能性が大きいと結論付けている。
論文 参考訳(メタデータ) (2021-05-31T22:26:43Z) - Capturing dynamics of post-earnings-announcement drift using genetic
algorithm-optimised supervised learning [3.42658286826597]
PEAD(Post-Earnings-Announcement Drift)は、最も研究されている株式市場の異常の一つである。
代わりに、機械学習ベースのアプローチを使用して、大規模なストックグループのデータを使用してPEADダイナミクスをキャプチャすることを目的としています。
論文 参考訳(メタデータ) (2020-09-07T13:27:06Z) - Robust Deep Reinforcement Learning through Adversarial Loss [74.20501663956604]
近年の研究では、深層強化学習剤は、エージェントの入力に対する小さな逆方向の摂動に弱いことが示されている。
敵攻撃に対する堅牢性を向上した強化学習エージェントを訓練するための原則的フレームワークであるRADIAL-RLを提案する。
論文 参考訳(メタデータ) (2020-08-05T07:49:42Z) - 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)
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。