Αλγόριθμοι αυτοματοποιημένων συναλλαγών βασισμένοι σε τεχνικές μηχανικής μάθησης

Abstract

Μια σχετικά νέα προσέγγιση στις συναλλαγές κρυπτονομισμάτων είναι η χρήση αλγορίθμων μηχανικής εκμάθησης για την πρόβλεψη της αύξησης και της πτώσης των τιμών πριν εμφανιστούν. Ένας βέλτιστος έμπορος κρυπτονομισμάτων θα αγόραζε πριν ανέβει η τιμή και θα πουλούσε πριν υποχωρήσει η αξία του. Αυτή η εργασία παρουσιάζει μια προσέγγιση που συνδυάζει ένα μοντέλο επαναλαμβανόμενης μεθόδου ενίσχυσης της μάθησης (RRL) μέσω NeuroEvolution of Augmenting Topologies (NEAT) για να δημιουργήσει ένα σήμα συναλλαγών - νευρωνικό δίκτυο ικανό να επιτύχει υψηλές αποδόσεις σε κρυπτονομίσματα με χαμηλό σχετικό κίνδυνο. Στόχος μας είναι να τροφοδοτούμε το δίκτυό μας με ένα διάνυσμα εισόδου κάθε φορά χρησιμοποιώντας την προηγούμενη έξοδο του νευρωνικού μας δικτύου. Για να δημιουργήσουμε το διάνυσμα εισόδου, χρησιμοποιούμε ένα μοντέλο χρονικών σειρών απόδοσης επενδύσεων, τη θέση του εμπόρου μας που είναι μπορεί να είναι short, long και neutral και έναν συντελεστή ισοδύναμο με την μονάδα. Η προτεινόμενη προσέγγιση έχει δοκιμαστεί με πραγματικές τιμές καθημερινών δεδομένων κρυπτονομίσματος όπου και σαν αναφερόμενο κρυπτονόμισμα πήραμε το γνωστό σε όλους πλέον BTC(Bitcoin). Ο λόγος Sharpe είναι η μετρική που χρησιμοποιήσαμε στο έργο μας για την αξιολόγηση του μοντέλου μας. Ο παραπάνω αλγόριθμος προσπαθεί να μεγιστοποιήσει το λόγο Sharpe. Τα αποτελέσματα που επιτεύχθηκαν δείχνουν ότι ο λόγος Sharpe αυξάνεται εντός της περιόδου προπόνησης άρα και στο διάστημα του testing παίρνουμε εξίσου καλά αποτελέσματα όπως και κατά την εκπαίδευση.