基于深度强化学习的比特币交易策略构建
机器学习
2021-10-19 v1 系统与控制
信号处理
系统与控制
摘要
新兴的加密货币市场对资产分配近来因其去中心化独特性而备受关注。然而，其波动性和全新的交易模式使得制定可接受的自动生成策略具有挑战性。本研究提出了一种基于深度强化学习算法——近端策略优化（PPO）的自动高频比特币交易框架。该框架创造性地将交易过程视为动作、收益视为奖励、价格视为状态，以契合强化学习的思想。它通过将这些模型应用于实时比特币价格，比较了用于静态价格预测的先进基于机器学习的模型，包括支持向量机（SVM）、多层感知机（MLP）、长短期记忆（LSTM）、时间卷积网络（TCN）和 Transformer，实验结果表明 LSTM 表现更优。然后，以 LSTM 为基础构建策略，基于 PPO 构建了自动生成交易策略。广泛的实证研究表明，所提方法对单一金融产品的表现优于各种常见交易策略基准。该方法能够在具有同步数据的模拟环境中交易比特币，并获得比最佳基准高 31.67% 的收益，将基准提升了 12.75%。所提框架能够在波动和飙升时期均获得超额收益，这为基于深度学习构建单一加密货币交易策略的研究打开了大门。交易过程的可视化展示了模型如何处理高频交易以提供启发，并表明其可扩展至其他金融产品。
引用
@article{arxiv.2109.14789,
title = {Bitcoin Transaction Strategy Construction Based on Deep Reinforcement Learning},
author = {Fengrui Liu and Yang Li and Baitong Li and Jiaxin Li and Huiyang Xie},
journal= {arXiv preprint arXiv:2109.14789},
year = {2021}
}
备注
Accepted by Applied Soft Computing