ترجمه فارسی مقاله بهینه‌سازی سبد سهام با تراکنش‌های دوطرفه و وام‌دهی: یک چارچوب یادگیری تقویتی

چکیده

This study presents a Reinforcement Learning (RL)-based portfolio management model tailored for high-risk environments, addressing the limitations of traditional RL models and exploiting market opportunities through two-sided transactions and lending. Our approach integrates a new environmental formulation with a Profit and Loss (PnL)-based reward function, enhancing the RL agent’s ability in downside risk management and capital optimization. We implemented the model using the Soft Actor-Critic (SAC) agent with a Convolutional Neural Network with Multi-Head Attention (CNN-MHA). This setup effectively manages a diversified 12-crypto asset portfolio in the Binance perpetual futures market, leveraging USDT for both granting and receiving loans and rebalancing every 4 hours, utilizing market data from the preceding 48 hours. Tested over two 16-month periods of varying market volatility, the model significantly outperformed benchmarks, particularly in high-volatility scenarios, achieving higher return-to-risk ratios and demonstrating robust profitability. These results confirm the model’s effectiveness in leveraging market dynamics and managing risks in volatile environments like the cryptocurrency market.

چکیده به فارسی (ترجمه ماشینی)

این مطالعه یک مدل مدیریت نمونه کارها مبتنی بر یادگیری تقویت شده (RL) متناسب با محیط های پرخطر ، پرداختن به محدودیت های مدل های سنتی RL و بهره برداری از فرصت های بازار از طریق معاملات دو طرفه و وام را ارائه می دهد.رویکرد ما یک فرمول زیست محیطی جدید را با عملکرد پاداش مبتنی بر سود و زیان (PNL) ادغام می کند و توانایی عامل RL را در مدیریت ریسک نزولی و بهینه سازی سرمایه افزایش می دهد.ما مدل را با استفاده از عامل بازیگر نرم و انتقادی (SAC) با یک شبکه عصبی حلقوی با توجه چند سر (CNN-MHA) پیاده سازی کردیم.این تنظیم به طور موثری مدیریت یک نمونه کارها دارایی 12 کریپتو متنوع در بازار آینده دائمی Binance را مدیریت می کند ، USDT را برای اعطای وام و دریافت وام و هر 4 ساعت یکبار تعادل برقرار می کند و از داده های بازار از 48 ساعت قبل استفاده می کند.آزمایش شده در طی دو دوره 16 ماهه با نوسانات مختلف در بازار ، این مدل به طور قابل توجهی از معیارهای مختلف ، به ویژه در سناریوهای با رعایت بالا ، دستیابی به نسبت بازده به خطر بالاتر و نشان دادن سودآوری قوی برخوردار است.این نتایج اثربخشی مدل در اعمال پویایی بازار و مدیریت خطرات در محیط های بی ثبات مانند بازار cryptocurrency را تأیید می کند.