論文の概要: A Scalable Reinforcement Learning-based System Using On-Chain Data for
Cryptocurrency Portfolio Management
- arxiv url: http://arxiv.org/abs/2307.01599v1
- Date: Tue, 4 Jul 2023 09:38:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-06 17:39:08.874887
- Title: A Scalable Reinforcement Learning-based System Using On-Chain Data for
Cryptocurrency Portfolio Management
- Title(参考訳): オンチェーンデータを用いたスケーラブル強化学習システムによる暗号ポートフォリオ管理
- Authors: Zhenhan Huang and Fumihide Tanaka
- Abstract要約: 本稿では,エンド・ツー・エンドの暗号ポートフォリオ管理にオンチェーンデータを活用する新しいRLベースのシステムであるCryptoRLPMを提案する。
CryptoRLPMでは、オンチェーンデータを各暗号に対してテストして指定し、メトリクスの非効率性の問題を解決する。
3つのポートフォリオのバックテスト結果から、CryptoRLPMは、累積リターン率(ARR)、日次リターン率(DRR)、ソリティーノ比(SR)の点で、すべてのベースラインを上回っていることがわかる。
- 参考スコア(独自算出の注目度): 6.09170287691728
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: On-chain data (metrics) of blockchain networks, akin to company fundamentals,
provide crucial and comprehensive insights into the networks. Despite their
informative nature, on-chain data have not been utilized in reinforcement
learning (RL)-based systems for cryptocurrency (crypto) portfolio management
(PM). An intriguing subject is the extent to which the utilization of on-chain
data can enhance an RL-based system's return performance compared to baselines.
Therefore, in this study, we propose CryptoRLPM, a novel RL-based system
incorporating on-chain data for end-to-end crypto PM. CryptoRLPM consists of
five units, spanning from information comprehension to trading order execution.
In CryptoRLPM, the on-chain data are tested and specified for each crypto to
solve the issue of ineffectiveness of metrics. Moreover, the scalable nature of
CryptoRLPM allows changes in the portfolios' cryptos at any time. Backtesting
results on three portfolios indicate that CryptoRLPM outperforms all the
baselines in terms of accumulated rate of return (ARR), daily rate of return
(DRR), and Sortino ratio (SR). Particularly, when compared to Bitcoin,
CryptoRLPM enhances the ARR, DRR, and SR by at least 83.14%, 0.5603%, and
2.1767 respectively.
- Abstract(参考訳): ブロックチェーンネットワークのオンチェーンデータ(メトリックス)は、企業の基本と似ていて、ネットワークに対する重要かつ包括的な洞察を提供する。
その情報的性質にもかかわらず、オンチェーンデータは暗号(crypto)ポートフォリオ管理(pm)のための強化学習(rl)ベースのシステムでは利用されていない。
興味深い課題は、オンチェーンデータの利用によって、ベースラインと比較してRLベースのシステムの戻り性能が向上する範囲である。
そこで本研究では,エンドツーエンド暗号pmにオンチェーンデータを組み込んだ新しいrlベースシステムであるcryptorlpmを提案する。
cryptorlpmは情報理解から取引注文実行までの5つのユニットで構成される。
CryptoRLPMでは、オンチェーンデータを各暗号に対してテストして指定し、メトリクスの非効率性の問題を解決する。
さらに、CryptoRLPMのスケーラブルな性質により、いつでもポートフォリオの暗号を変更することができる。
3つのポートフォリオのバックテスト結果から、CryptoRLPMは、累積リターン率(ARR)、毎日リターン率(DRR)、ソルティーノ比(SR)の点で、すべてのベースラインを上回ります。
特にBitcoinと比較して、CryptoRLPMはARR、DRR、SRをそれぞれ83.14%、0.5603%、および2.1767で強化している。
関連論文リスト
- Enhancing Trust and Privacy in Distributed Networks: A Comprehensive Survey on Blockchain-based Federated Learning [51.13534069758711]
ブロックチェーンのような分散型アプローチは、複数のエンティティ間でコンセンサスメカニズムを実装することで、魅力的なソリューションを提供する。
フェデレートラーニング(FL)は、参加者がデータのプライバシを保護しながら、協力的にモデルをトレーニングすることを可能にする。
本稿では,ブロックチェーンのセキュリティ機能とFLのプライバシ保護モデルトレーニング機能の相乗効果について検討する。
論文 参考訳(メタデータ) (2024-03-28T07:08:26Z) - Blockchain Metrics and Indicators in Cryptocurrency Trading [0.22940141855172028]
本研究の目的は、暗号通貨市場での運用に役立つ新しい指標の構築である。
これらの指標は、ブロックチェーンネットワーク、特にBitcoinマイニングを構成するノードから得られる公開データに基づいています。
論文 参考訳(メタデータ) (2024-02-11T12:34:58Z) - An adaptive network-based approach for advanced forecasting of
cryptocurrency values [0.0]
本稿では,Adaptive Network Fuzzy Inference System (ANFIS) を用いて,今後7日間の暗号価格を予測するアーキテクチャについて述べる。
データを教えるために使われる方法は、グリッド分割、減算クラスタリング、ファジィC平均クラスタリング(FCM)アルゴリズムと同様に、ハイブリッドおよびバックプロパゲーションアルゴリズムである。
提案手法は,デジタル通貨の価格を短時間で予測できる。
論文 参考訳(メタデータ) (2024-01-08T19:51:53Z) - MRL-PoS: A Multi-agent Reinforcement Learning based Proof of Stake Consensus Algorithm for Blockchain [0.18641315013048293]
本稿では,マルチエージェント強化学習に基づくProof-of-StakeコンセンサスアルゴリズムであるMRL-PoSを紹介する。
悪意のあるノードを排除し、正直なノードにインセンティブを与える、報酬と罰則の仕組みが組み込まれている。
論文 参考訳(メタデータ) (2023-12-14T16:58:18Z) - A Framework for Empowering Reinforcement Learning Agents with Causal Analysis: Enhancing Automated Cryptocurrency Trading [1.4356611205757077]
本研究は,Coin, Litecoin, Ripple, Tetherの5つの暗号通貨を取引する複雑さに対処するための強化学習(RL)フレームワークの開発に焦点をあてる。
本稿では,ベイズ的および動的ベイズ的ネットワーク技術を統合し,貿易決定におけるRLエージェントの強化を目的としたCausalReinforceNet(CRN)フレームワークを提案する。
本稿では,このフレームワークを用いて,Bell-and-HoldベンチマークとベースラインRLモデルと比較して,異なるRLアルゴリズムを用いて性能を解析する2つのエージェントを開発した。
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) - Graph Regularized Nonnegative Latent Factor Analysis Model for Temporal
Link Prediction in Cryptocurrency Transaction Networks [1.6801544027052142]
ネットワークのリンク予測学習構造は,ネットワークのメカニズムを理解する上で有用である。
本稿では,1つの潜在因子依存型,非負性,乗算型,グラフ正規化型更新(SLF-NMGRU)アルゴリズムを提案する。
実際の暗号通貨取引ネットワークの実験により,提案手法は精度と計算効率の両方を向上することを示した。
論文 参考訳(メタデータ) (2022-08-03T08:58:59Z) - Offline Reinforcement Learning at Multiple Frequencies [62.08749079914275]
本研究では、オフライン強化学習アルゴリズムが、トレーニング中に複数の周波数を混合したデータに対応できるかどうかについて検討する。
学習を安定させるために$Q$-valueの更新率で一貫性を強制する、単純だが効果的なソリューションを提案する。
論文 参考訳(メタデータ) (2022-07-26T17:54:49Z) - Don't Change the Algorithm, Change the Data: Exploratory Data for
Offline Reinforcement Learning [147.61075994259807]
オフラインRLに対するデータ中心型アプローチであるオフラインRL(ExORL)の探索データを提案する。
ExORLは最初、教師なしの報酬のない探索でデータを生成し、オフラインのRLでポリシーをトレーニングする前に、そのデータを下流の報酬でラベル付けする。
探索データにより、オフライン固有の変更なしに、バニラオフポリティRLアルゴリズムが、ダウンストリームタスクで最先端のオフラインRLアルゴリズムより優れているか、あるいは一致することが判明した。
論文 参考訳(メタデータ) (2022-01-31T18:39:27Z) - RL Unplugged: A Suite of Benchmarks for Offline Reinforcement Learning [108.9599280270704]
オフラインのRL手法を評価・比較するためのRL Unpluggedというベンチマークを提案する。
RL Unpluggedにはゲームやシミュレートされたモーター制御問題を含むさまざまな領域のデータが含まれている。
本論文で提示した全タスクのデータと,全アルゴリズムをオープンソースとして公開する。
論文 参考訳(メタデータ) (2020-06-24T17:14:51Z) - Faster Secure Data Mining via Distributed Homomorphic Encryption [108.77460689459247]
ホモモルフィック暗号化(HE)は、最近、暗号化されたフィールド上で計算を行う能力により、ますます注目を集めている。
本稿では,スケーリング問題の解決に向けて,新しい分散HEベースのデータマイニングフレームワークを提案する。
各種データマイニングアルゴリズムとベンチマークデータセットを用いて,新しいフレームワークの有効性と有効性を検証する。
論文 参考訳(メタデータ) (2020-06-17T18:14:30Z)
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。