نهج منقح لتحسين محفظة العملات المشفرة باستخدام أطر التعلم Q المتقدمة وتكرار السياسات
| العنوان | نهج منقح لتحسين محفظة العملات المشفرة باستخدام أطر التعلم Q المتقدمة وتكرار السياسات |
|---|---|
| المؤلف | التوك، سيرين |
| تاريخ النشر: | 2024-08-30T14:23:41Z |
| الموضوع | إدارة المحافظ، النماذج الرياضية، صناعة الخدمات المالية، الابتكارات التكنولوجية، العملات المشفرة، التعلم الآلي، التعلم المعزز، علم البيانات |
| النوع | وثيقة |
| اللغة | الإنجليزية |
| رقمي | نعم |
| مخطوط | لا |
| المكتبة: | جامعة اوزيجين |
| رقم السجل | 4fb93cd6-c04a-47de-a9a2-14e731890205 |
| موقع المكتبة | قسم علوم البيانات |
| التاريخ | 2024-08-30T14:23:41Z |
| نص عينة | على الرغم من جميع العوامل التي تسبب القلق بين المستثمرين، مثل التقلبات وعدم مركزية عالم العملات المشفرة، فإن شعبية العملات المشفرة تستمر في النمو بشكل مطرد. لا يزال سوق العملات الرقمية يحتفظ بجاذبيته للعديد من المستثمرين بسبب مستويات الربح العالية التي شهدها في الماضي. مع دخول العديد من العملات البديلة إلى السوق، أصبحت إدارة المحافظ أكثر صعوبة. في الأدبيات، صادفنا العديد من الدراسات التي تقترح تقنيات فعالة لإدارة المحافظ للعملات المشفرة. تقدم هذه الدراسة نماذج مقترحة تم تطويرها بناءً على تكرار السياسات وخوارزميات التعلم Q. ضمن Q-learning، تم تقديم ثلاثة نماذج فرعية متميزة: شبكة Q العميقة (DQN)، وشبكة Q المزدوجة العميقة (DDQN)، وشبكة Dual Dueling Q (DDDQN). يتم تدريب جميع هذه النماذج باستخدام فترات تدريب مدتها 6 أشهر، ويتم مقارنتها باستخدام 10 فترات تدريب واختبار مختلفة. بالإضافة إلى ذلك، لتقييم كل من تكرار السياسات المقترحة ونماذج التعلم Q، تم إنشاء نماذج أساسية لكل خوارزمية، وتم تقييم أداء النماذج المقترحة مقابل هذه النماذج الأساسية. تشير النتائج إلى أنه من بين نماذج تكرار السياسة، يتمتع النموذج المقترح بأعلى متوسط لقيمة عائد الاستثمار بنسبة 3%، مما يجعله النموذج الأفضل أداءً. وبالمثل، من بين نماذج التعلم Q، يتجاوز نموذج DQN المقترح كلاً من النماذج الأساسية ونماذج التعلم Q الأخرى، بمتوسط قيمة عائد على الاستثمار يبلغ 2%. بالنظر إلى جميع النماذج، يحقق نموذج تكرار السياسة المقترح أعلى متوسط لقيمة عائد الاستثمار، في حين يوضح DQN المقترح ونموذج DDDQN المقترح أدنى تقلب من حيث الانحرافات المعيارية لعائد الاستثمار. para birimlerinin pop¨ulerli˘gi istikrarlı bir ¸sekilde artmaya devam et mektedir. Kripto para piyasası, ge¸cmi¸ste ya¸sadı˘gı y¨uksek kar seviyeleri sebebiyle bir¸cok yatırımcı i¸cin hala cazibesini korumaktadır. G¨unl¨uk olarak bir¸cok البديل kripto para biriminin piyasaya girmesiyle، portfoy y¨onetimi ¸cok daha zorlu hale gelmektedir. Literat¨urde, kripto portf¨oylerini verimli bir ¸sekilde y¨onetmek i¸cin ¨onerilen bir¸cok ¸calı¸sma bulunmaktadır. في هذه الحالة، يتم تطوير نموذج تكرار السياسة وخوارزميات Q-learning. يتم استخدام نماذج Q-learning البديلة لشبكة Q العميقة (DQN) وشبكة Q المزدوجة العميقة (DDQN) وشبكة Q-المبارزة المزدوجة (DDDQN). Bu modellerin hepsi, 6 aylık e˘gitim d¨onemleri kullanılarak e˘gitilmi¸stir and 10 Farklı e˘gitim and test d¨onemi kullanılarak kar¸sıla¸stırmalar yapılmıstır. أيضًا، هناك ¨onerilen politika iterasyonu hem de ¨onerilen Q-learningmodellerini de˘gerlendirebilmek i¸cin iki algoritma i¸cin de basit modleri modelleri olu¸sturulmu¸s ve ¨onerilen model de˘gerlendirmeleri bu referencesmodelleri kul lanılarak yapılmı¸stır. حسنًا، تم إنشاء نماذج تكرار السياسة لنماذج تكرار السياسة في %3 من العائد على الاستثمار في نموذج خاص. Benzer ¸Sekilde, ¨onerilen Q-learning mod elleri arasında DQNmodels, hem تشير إلى نماذج من هذا القبيل Q-learning mod ellerini %2 ortalama ROI de˘geri ile geride berakmaktadır. تم تصميم نماذجك من قبل aldı˘gımızda، ¨onerilen Politika ˙Iterasyonu modelinin en y¨uksek ortalama ROI de˘gerine sahip oldu˘gunu، ¨onerilen DQN ve DDDQN modellerinin ise ROI Standard sapması a¸cısından en d¨u¸s¨uk volatiliteye sahip oldu˘gunu g¨ormekteyiz. |
