금융 전략을 위한 머신러닝: 19가지 사례를 통해 익히는 금융 전략, 머신러닝, 데이터 과학

395

9

장

강화 학습

sharpe = np.array([sharpe] * len(self.data.columns))

ret = (data_period.values[-1] - data_period.values[0]) / \

data_period.values[0]

return np.dot(returns, weights), ret

다음 단계에서 강화 학습 모델의 훈련을 살펴보자.

4.2

데이터 훈련

첫 번째 단계로

Agent

클래스와

CryptoEnvironment

클래스를 초기화한다. 그런 다음 훈

련 목적에 맞게 에피소드 수와 배치 크기를 설정한다. 암호화폐의 변동성을 감안해 상태

window

_

size

를

180

으로,

rebalancing

_

frequency

를

90

일로 설정했다.

N_ASSETS = 15

agent = Agent(N_ASSETS)

env = CryptoEnvironment()

window_size = 180

episode_count = 50

batch_size = 32

rebalance_period = 90

[그림

9

-

10

]은 강화 학습 기반 포트폴리오 배분 전략을 개발하는 데 사용되는 딥

Q

망 알고

리즘 훈련의 심층적인 내용을 제공한다. 자세히 보면 차트는 실전 문제

1

의 [그림

9

-

8

]에 정

의된 단계와 유사하지만

Q

-

Matrix

, ...