Seleção online de portfólio de criptoativos por meio de aprendizado por reforço

Abstract

Este trabalho se propôs a ampliar o entendimento do framework de Reinforcement Learning concebido por Jiang et al. (2017) para o problema de seleção online de portfólio. Ao substituir o Bitcoin do trabalho original por um ativo mais próximo do livre de risco (Theter); ampliar o horizonte de tempo da análise; e construir a distribuição empírica das métricas de avaliação da estratégia, fomos capazes de identificar situações que a solução convergiu para uma estratégia livre de risco. A estratégia foi capaz de proteger o capital do agente, quando a maioria das principias estratégias comparadas falhou.