論文の概要: Cryptocurrency Portfolio Management with Reinforcement Learning: Soft Actor--Critic and Deep Deterministic Policy Gradient Algorithms

• arxiv url: http://arxiv.org/abs/2511.20678v1
• Date: Sun, 16 Nov 2025 03:43:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.328571
• Title: Cryptocurrency Portfolio Management with Reinforcement Learning: Soft Actor--Critic and Deep Deterministic Policy Gradient Algorithms
• Title（参考訳）: 強化学習による暗号ポートフォリオ管理:ソフトアクター--批判的・深い決定論的政策勾配アルゴリズム
• Authors: Kamal Paykan,
• Abstract要約: 本稿では,暗号通貨ポートフォリオ管理のための強化学習ベースのフレームワークを提案する。 我々は,Soft Actor-Critic(SAC)アルゴリズムとDeep Deterministic Policy Gradient(DDPG)アルゴリズムを用いる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: 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.
• Abstract（参考訳）: 本稿では,Soft Actor-Critic(SAC)アルゴリズムとDeep Deterministic Policy Gradient(DDPG)アルゴリズムを用いた暗号通貨ポートフォリオ管理のための強化学習ベースのフレームワークを提案する。 伝統的なポートフォリオ最適化手法は、しばしば暗号通貨市場の非常に不安定で非線形なダイナミクスに適応するのに苦労する。 これを解決するために、模擬取引環境とのインタラクションを通じて、歴史的市場データから直接継続的な取引行動を学ぶエージェントを設計する。 エージェントはポートフォリオウェイトを最適化し、累積リターンを最大化し、ダウンサイドリスクとトランザクションコストを最小限にする。 複数の暗号通貨に対する実験的評価により、SACおよびDDPGエージェントは、等重および平均分散ポートフォリオのようなベースライン戦略より優れていることが示された。 SACアルゴリズムはエントロピー規則化された目的を持ち、DDPGに比べてノイズの多い市場条件下での安定性と堅牢性を示す。 これらの結果は、暗号通貨市場における適応性とデータ駆動型ポートフォリオ管理のための深い強化学習の可能性を強調している。

関連論文リスト

• Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
  金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。 展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。 従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。 楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T18:22:25Z)
• Deep Reinforcement Learning for Optimal Asset Allocation Using DDPG with TiDE [14.43580976228378]
  本研究は,マルコフ決定過程(MDP)における逐次決定課題として最適2段階割当問題を定式化する。 このフレームワークは、シミュレーションされた金融シナリオに基づいて動的ポリシーを開発するための強化学習(RL)機構の適用を可能にする。 我々はDDPG-TiDEを、単純な離散的なQ-learning RLフレームワークとパッシブ・バイ・アンド・ホールド投資戦略と比較した。
  論文  参考訳（メタデータ） (2025-08-12T11:59:55Z)
• Building crypto portfolios with agentic AI [46.348283638884425]
  暗号通貨市場の急速な成長は投資家に新たな機会を与えたが、同時に高いボラティリティがもたらされた。 本稿では,暗号アロケーションを自律的に構築し,評価するためのマルチエージェントシステムの実用化について述べる。
  論文  参考訳（メタデータ） (2025-07-11T18:03:51Z)
• Your Offline Policy is Not Trustworthy: Bilevel Reinforcement Learning for Sequential Portfolio Optimization [82.03139922490796]
  強化学習(Reinforcement Learning, RL)は、過去のデータを用いたリスクを最小限にしつつ累積リターンを最大化することを目的とした、株式取引のような逐次的ポートフォリオ最適化タスクにおいて、大きな可能性を示してきた。 従来のRLアプローチは、固定データセット内での振る舞いの購入と販売を最適に記憶するだけのポリシーを生成することが多い。 当社のアプローチでは,ポートフォリオ最適化を新たなタイプの部分オフラインRL問題として捉え,2つの技術的貢献を行う。
  論文  参考訳（メタデータ） (2025-05-19T06:37:25Z)
• Deep Reinforcement Learning for Investor-Specific Portfolio Optimization: A Volatility-Guided Asset Selection Approach [2.2835610890984164]
  本研究では,投資家のリスクプロファイルに基づいてポートフォリオを動的に構築するボラティリティ誘導型ポートフォリオ最適化フレームワークを提案する。 提案手法の有効性はダウ30ドル指数の株を用いて確立された。
  論文  参考訳（メタデータ） (2025-04-20T10:17:37Z)
• Explainable Post hoc Portfolio Management Financial Policy of a Deep Reinforcement Learning agent [44.99833362998488]
  我々はポートフォリオ管理のための新しい説明可能な深層強化学習(XDRL)アプローチを開発した。 方法論を実践することにより、エージェントの行動を予測する時間内に解釈し、投資政策の要件に従うかどうかを評価することができる。
  論文  参考訳（メタデータ） (2024-07-19T17:40:39Z)
• Deep Reinforcement Learning and Mean-Variance Strategies for Responsible Portfolio Optimization [49.396692286192206]
  本研究では,ESG状態と目的を取り入れたポートフォリオ最適化のための深層強化学習について検討する。 以上の結果から,ポートフォリオアロケーションに対する平均分散アプローチに対して,深層強化学習政策が競争力を発揮する可能性が示唆された。
  論文  参考訳（メタデータ） (2024-03-25T12:04:03Z)
• 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)
• MetaTrader: An Reinforcement Learning Approach Integrating Diverse Policies for Portfolio Optimization [17.759687104376855]
  ポートフォリオ管理のための新しい2段階的アプローチを提案する。 最初の段階では、強化学習フレームワークに模倣学習を組み込む。 第2段階では、メタ政治を学び、市場状況を認識し、従うべき最も適切な学習方針を決定する。
  論文  参考訳（メタデータ） (2022-09-01T07:58:06Z)
• Bitcoin Transaction Strategy Construction Based on Deep Reinforcement Learning [8.431365407963629]
  本研究では,PPO(Deep reinforcement Learning Algorithm-proximal Policy Optimization)に基づく,高速ビットコイン自動取引のためのフレームワークを提案する。 提案したフレームワークは、ボラティリティと急上昇の期間を通じて過剰なリターンを得ることができるため、ディープラーニングに基づく単一暗号通貨取引戦略を構築するための扉を開くことができる。
  論文  参考訳（メタデータ） (2021-09-30T01:24:03Z)

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。