Deep Q-Network based cryptocurrency investment strategies using transformer function approximator

Kripto paralar, çoğunlukla merkeziyetsiz ve şeffaf oldukları için alternatif bir yatırım sınıfı olarak son zamanlarda daha fazla öne çıkmaya başladı. Kripto paraların benzersiz özelliklere sahip olmaları ve daha oynak olmaları nedeniyle, daha doğru fiyat tahmini ve daha karlı yatırım stratejileri geliştirmek için yeni yaklaşımlar geliştirmemiz gerekiyor. Derin öğrenme yöntemleri arasında özellikle derin takviye öğrenmesi ve dönüştürücüler dikkat çekici derecede daha fazla ilgi görmeye başladı. Burada, bir Derin Q-Ağı (DQN) ile bir görüş dönüştürücü (ViT) sinir ağı fonksiyon yaklaşımını uygulayan Reincrypt ile karşınıza çıkıyoruz. Burada, önemli teknik analiz göstergelerinden oluşan bir set kullanarak, tek boyutlu zaman serisi verilerini 2D gri tonlamalı görüntü benzeri verilere dönüştürüyoruz. Böyle dönüştürülmüş veriler, çeşitli kripto para fiyat hareketlerini tahmin etmek için çerçevemizde girdi olarak alınacak. Modelin öğrenme sürecini stabilize etmek ve performansını artırmak için parametre dondurma ve deneyim tekrarı gibi teknikler kullanıyoruz. Detaylı bulgularımız, önerilen yöntemin kripto para fiyatlarındaki değişiklikleri tahmin etmede başarılı olduğunu gösteriyor. Genel olarak, yöntemimiz sadece Bitcoin değil, farklı kripto paralarda da kar sağlıyor. Yöntemimizin çıktısı sonucunda oluşturulan portföyleri analiz ettiğimizde, işlem başına işlem maliyetlerini dikkate almadan yaklaşık %0.5 getiri elde ediyoruz. Ayrıca, yöntemimizi farklı bir kripto para üzerinde eğittiğimizde gelecekteki kripto para fiyat hareketlerini tahmin edebildiğimizi görüyoruz. Bu durumda, yöntemimizi Bitcoin gibi yüksek işlem hacmine ve likiditeye sahip kripto paralar üzerinde eğitip, performansını nispeten daha az likit alternatif kripto paralarda test edebiliriz. Bu sonuçlara göre, derin öğrenme tabanlı kripto para fiyat hareketi tahmin yöntemleri, bu varlıklar için daha az veriye sahip olsak bile alternatif kripto paralar için kullanılabilir.