راه حل های سرتاسری برای تجارت ارزهای دیجیتال

جدول پیوندها

چکیده و 1 مقدمه

2 آثار مرتبط و 2.1 الگوریتم های یادگیری تقویتی عمیق

2.2 کتابخانه های یادگیری تقویتی عمیق و 2.3 یادگیری تقویتی عمیق در امور مالی

3 چارچوب پیشنهادی FinRL و 3.1 مروری بر چارچوب FinRL

3.2 لایه کاربردی

3.3 لایه عامل

3.4 لایه محیطی

3.5 خط لوله آموزش – آزمایش – تجارت

4 آموزش عملی و عملکرد معیار و 4.1 ماژول بک تست

4.2 استراتژی های پایه و معیارهای معاملاتی

4.3 آموزش عملی

4.4 استفاده از مورد اول: معاملات سهام

4.5 استفاده از مورد دوم: تخصیص پورتفولیو و 4.6 مورد استفاده III: تجارت ارزهای دیجیتال

5 اکوسیستم FinRL و نتیجه گیری و مراجع

4.5 استفاده از مورد دوم: تخصیص پورتفولیو

ما یک استراتژی تخصیص پورتفولیو را بازتولید می کنیم [21] که از یک عامل DRL برای تخصیص سرمایه به مجموعه ای از سهام و تخصیص مجدد دوره ای استفاده می کند.

FinRL تکرارپذیری را با اجازه دادن به کاربران برای مقایسه آسان نتایج تنظیمات مختلف، مانند مجموعه سهام برای معامله، سرمایه اولیه و فراپارامترهای مدل، بهبود می‌بخشد. از لایه عامل برای تعیین کتابخانه های پیشرفته DRL استفاده می کند. کاربران نیازی به توسعه مجدد شبکه‌های عصبی ندارند و در عوض می‌توانند با هر الگوریتم DRL، آن‌ها را متصل و بازی کنند.

شکل 6 و جدول 3 عملکرد بک تست را در Dow ​​30 نشان می دهد…