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

• Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
  本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。 歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。 その結果、購入/販売信号の精度は92%を超えた。
  論文  参考訳（メタデータ） (2024-10-09T14:29:50Z)
• Cryptocurrency Price Forecasting Using XGBoost Regressor and Technical Indicators [2.038893829552158]
  本研究では,暗号通貨の価格を予測するための機械学習手法を提案する。 我々は、XGBoost回帰モデルの訓練および供給のために、EMA(Exponential moving Avergence)やMACD( moving Avergence Divergence)といった重要な技術指標を活用している。 モデルの性能を様々なシミュレーションにより評価し,有望な結果を示す。
  論文  参考訳（メタデータ） (2024-07-16T14:41:27Z)
• Beyond Trend Following: Deep Learning for Market Trend Prediction [49.89480853499917]
  我々は、将来の市場動向を予測するために人工知能と機械学習技術を使うことを提唱する。 これらの予測は、適切に実行されれば、リターンを増やし、損失を減らすことで資産運用者のパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2024-06-10T11:42:30Z)
• Markowitz Meets Bellman: Knowledge-distilled Reinforcement Learning for Portfolio Management [7.199922073535674]
  本稿では、マルコウィッツのポートフォリオ理論と強化学習を組み合わせたハイブリッドアプローチを提案する。 特に,KDD (Knowledge Distillation DDPG) と呼ばれる本手法は,教師付きおよび強化学習段階の2段階からなる。 標準的な金融モデルとAIフレームワークの比較分析では、リターンやシャープ比、9つの評価指標などを使用して、モデルの優位性を明らかにします。
  論文  参考訳（メタデータ） (2024-05-08T22:54:04Z)
• 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)
• 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 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)
• The Doge of Wall Street: Analysis and Detection of Pump and Dump Cryptocurrency Manipulations [50.521292491613224]
  本稿では,インターネット上のコミュニティによって組織された2つの市場操作(ポンプとダンプと群衆ポンプ)について,詳細な分析を行う。 ポンプとダンプの仕組みは、株式市場と同じくらい古い詐欺だ。今や、緩やかに規制された暗号通貨市場において、新たな活力を得た。 本報告では,ポンプ群とダンプ群に関する3症例について報告する。
  論文  参考訳（メタデータ） (2021-05-03T10:20:47Z)
• 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 [50.521292491613224]
  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。