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

Name: Deep Q-Network based cryptocurrency investment strategies using transformer function approximator
Author: Alaygut, Tuna

İsim	Deep Q-Network based cryptocurrency investment strategies using transformer function approximator
Yazar	Alaygut, Tuna
Basım Tarihi:	2024
Konu	Cryptocurrencies, Investment analysis, Investments, Data processing, Deep learning (Machine learning), Electronic funds transfers, Computer engineering
Tür	Belge
Dil	İngilizce
Dijital	Evet
Yazma	Hayır
Kütüphane:	Özyeğin Üniversitesi
Kayıt Numarası	8d97a4ce-8562-4b23-a09d-119797e9685b
Lokasyon	Department of Computer Science
Tarih	2024
Örnek Metin	Cryptocurrencies have recently started to become more apparent as an alternative investment class, as they are mainly decentralized and transparent. Since cryptocurrencies have unique features and are more volatile, we need to develop novel approaches for more accurate price prediction and more profitable investment strategies. Deep learning methods including deep reinforcement learning and transformers have been attracting remarkably more attention. Here, we come up with Reincrypt which applies Deep Q-Network (DQN) with a vision transformer (ViT) neural network function approximation, where we transform one-dimensional time-series data to 2D grayscale image-like data by using a set of important technical analysis indicators. Such transformed data will be taken as input in our framework to predict various cryptocurrency prices. To stabilize the learning process of the model and enhance its performance, we employ techniques like parameter freezing and experience replay. Our detailed findings show that the proposed method is successful in forecasting changes in cryptocurrency prices. Overall, our method yields profit in different cryptocurrencies, not just Bitcoin. When we analyze the portfolios formed as a result of our method's output, we obtain approximately 0.5% return per transaction before considering transaction costs for the cryptocurrencies. Additionally, we can predict future cryptocurrency prices even when we train our method on a different cryptocurrency. In this case, we can train our method on highly-traded and liquid cryptocurrencies such as Bitcoin, and test its performance on relatively less liquid alternative cryptocurrencies. According to these results, deep learning-based cryptocurrency price prediction methods could be utilized for alternative cryptocurrencies, even though we have fewer data for these assets., 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.

Kaynağa git Özyeğin Üniversitesi

Aramaya Dön

Özyeğin Üniversitesi

Kaynağa git

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

Yazar Alaygut, Tuna

Basım Tarihi 2024

Konu Cryptocurrencies, Investment analysis, Investments, Data processing, Deep learning (Machine learning), Electronic funds transfers, Computer engineering

Tür Belge

Dil İngilizce

Dijital Evet

Yazma Hayır

Kütüphane Özyeğin Üniversitesi

Kayıt Numarası 8d97a4ce-8562-4b23-a09d-119797e9685b

Lokasyon Department of Computer Science

Tarih 2024

Örnek Metin Cryptocurrencies have recently started to become more apparent as an alternative investment class, as they are mainly decentralized and transparent. Since cryptocurrencies have unique features and are more volatile, we need to develop novel approaches for more accurate price prediction and more profitable investment strategies. Deep learning methods including deep reinforcement learning and transformers have been attracting remarkably more attention. Here, we come up with Reincrypt which applies Deep Q-Network (DQN) with a vision transformer (ViT) neural network function approximation, where we transform one-dimensional time-series data to 2D grayscale image-like data by using a set of important technical analysis indicators. Such transformed data will be taken as input in our framework to predict various cryptocurrency prices. To stabilize the learning process of the model and enhance its performance, we employ techniques like parameter freezing and experience replay. Our detailed findings show that the proposed method is successful in forecasting changes in cryptocurrency prices. Overall, our method yields profit in different cryptocurrencies, not just Bitcoin. When we analyze the portfolios formed as a result of our method's output, we obtain approximately 0.5% return per transaction before considering transaction costs for the cryptocurrencies. Additionally, we can predict future cryptocurrency prices even when we train our method on a different cryptocurrency. In this case, we can train our method on highly-traded and liquid cryptocurrencies such as Bitcoin, and test its performance on relatively less liquid alternative cryptocurrencies. According to these results, deep learning-based cryptocurrency price prediction methods could be utilized for alternative cryptocurrencies, even though we have fewer data for these assets., 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.