Αλγοριθμικές συναλλαγές με χρήση μεθόδων βαθιάς ενισχυτικής μάθησης

Abstract

Η παρούσα εργασία διερευνά την εφαρμογή αλγορίθμων Βαθιάς Ενισχυτικής Μάθησης, συγκεκριμένα των Deep Q-Networks (DQN) και Double Deep Q-Networks (DDQN), στη δημιουργία αυτοματοποιημένων στρατηγικών συναλλαγών για την αγορά κρυπτονομισμάτων, με επίκεντρο το Bitcoin. Η μελέτη στοχεύει να αξιολογήσει εάν η εφαρμογή τεχνικών Βαθιάς Ενισχυτικής Μάθησης (Deep Reinforcement Learning) μπορεί να επιτύχει μεγαλύτερες αποδόσεις έναντι παθητικών επενδυτικών στρατηγικών. Χρησιμοποιώντας ιστορικά δεδομένα τιμών του Bitcoin, αναπτύξαμε μια προσαρμοσμένη προσομοίωση συναλλαγών για να εκπαιδεύσουμε και να αξιολογήσουμε τα αλγοριθμικά μοντέλα DQN και DDQN. Η αξιολόγηση των αποδόσεων βασίστηκε σε χρηματοοικονομικούς δείκτες απόδοσης και ρίσκου, κατά τη διάρκεια μιας περιόδου δοκιμών δύο ετών. Η μελέτη αυτή συμβάλλει στην επέκταση της συζήτησης σχετικά με τον ρόλο της Βαθιάς Ενισχυτικής Μάθησης στις χρηματοοικονομικές αγορές, καταδεικνύοντας την ικανότητα της να βελτιώνει τις στρατηγικές συναλλαγών μέσω της βέλτιστης επιλογής των βασικών συστατικών της. Σκοπός της συγκεκριμένης εργασίας είναι όχι μόνο να αποδείξει την δυναμική της Βαθιάς Ενισχυτικής Μάθησης στη βελτίωση της απόδοσης αλγοριθμικών χρηματοοικονομικών συναλλαγών, αλλά επίσης σκιαγραφεί κρίσιμες σκέψεις για την ανάπτυξη μοντέλων συναλλαγών, στον έντονα μεταβαλλόμενο κόσμο των κρυπτονομισμάτων.