神经网络与数字货币量化交易系列（2）——深度强化学习训练比特币交易策略

本文将介绍使用强化学习的方法，直接训练交易策略。强化学习的模型为OpenAI开源的PPO，环境则参考了gym的样式。为了方便理解和测试，LSTM的PPO模型和回测的gym环境都直接编写未使用现成的包。

PPO，全称Proximal Policy Optimization，是对Policy Graident，即策略梯度的一种优化改进。gym也是由OpenAI发布，可以与策略网络交互，反馈目前环境的状态和奖励，就像强化学习的练习用使用LSTM的PPO模型直接根据比特币的行情信息做出买入、卖出或不操作的指令，由回测环境给出反馈，通过训练不断优化模型，达到策略盈利的目的。

LSTM-PPO

关于PPO的深入讲解，可以学习前面的参考资料，这里只是简单理念的介绍。上一期LSTM网络只是预测了一个价格，如何根据这个预测价格买卖交易还要另外实现，自然可以想到，直接输出买卖动作不是更加直接吗？Policy Graident就是如此，可以根据输入的环境信息s，给出一个各种动作action的概率。LSTM的损失是预测价格和实际价格之间的差别，而PG的损失为-log(p)*Q，其中p为输出的某个动作的概率，Q为这个动作的价值（如奖励得分），直观的解释是如果一个动作的价值越高，网络要输出更高的概率来减小损失。PPO虽然复杂了很多，但原理也类似，关键在于如何更好的评价每个动作的价值以及如何更好的更新参数。

下面将给出LSTM-PPO的源码，结合前面的资料还是可以理解的：

比特币回测环境

仿照了gym的格式，有一个reset初始化方法，step输入动作，返回的结果为(下一个状态, 动作收益, 是否结束, 额外的信息)，整个回测环境也就60行，可自行修改出更复杂的版本，具体代码：

几个值得注意的细节

初始账户为什么有币？

回测环境计算收益的公式为：当前收益 = 当前账户价值 - 初始账户当前价值。这意味着，如果比特币价格下跌，而策略做出了卖币操作，即使总账户价值减少了，实际上也应该给与策略奖励。如果回测的时间很长，初始账户可能影响不大，但刚开始时还是影响很大的。计算相对收益保证了每次正确的操作都获取了正向的reward。

训练时行情为什么抽样？

总的数据量有一万多根K线，如果每次都是全量的跑一个循环，所需要的时间很长，并且策略每次面对的情况的一模一样，可能更容易过拟合。每次抽取500根作为一次回测数据，虽然仍有可能过拟合，但策略面临了一万多次不同的可能开局。

没有币或没有钱了怎么办？

回测环境里没有考虑这种情况，如果币已经卖光了或者达不到最小交易量，此时执行卖出操作其实相当于执行不操作，如果价格下跌，根据相对收益的计算方式，仍然基于了策略正向的reward。这种情况的影响是在策略判断行情下跌并且账户余币无法卖出时，无法区分卖出动作和不操作动作，但对策略本身对行情的判断没有影响。

为什么要把账户信息返回作为状态？

PPO模型有一个价值网络用于评价当前状态的价值，显然如果策略判断价格要上涨，只有当前账户持有比特币时整个状态才有正向价值，反之亦然。所以账户信息是价值网络判断的重要依据。注意到并未把过去的动作信息作为状态返回，个人认为这对判断价值无用。

什么情况下会返回不操作？

当策略判断买卖带来的收益无法覆盖手续费时，应该返回不操作。虽然前面的描述反复用了策略判断价格趋势，但只是为了方便理解，实际上这个PPO模型并没有对行情做出预测，只是输出了三个动作的概率而已。

和上一篇文章一样，数据的获取方式和格式如下，Bitfinex交易所BTC_USD交易对 2018/5/7到2019/6/27 的一小时周期K线：

由于使用了LSTM网络，训练的时间很长，我又改了个GPU版本的，大约快了3倍。

训练结果和分析

经过漫长的等待：

首先看一下训练数据的行情，总的来说，前半段是漫长的下跌，后半段是强劲的反弹。

训练前期买入操作很多，基本上没有盈利的回合。到训练中期买入操作逐渐减少，盈利的概率也越来越大，但任然有很大的几率亏损。

将每回合收益平滑一下，结果如下：

策略很快摆脱了前期收益为负的情况，但起伏较大，直到10000回合之后，收益才迅速增长了起来，总的来说，模型训练的很艰难。

最终训练结束后，再让模型跑一次全部数据，看看表现如何，期间记录下账户的总市值、持有比特币数量、比特币价值占比、总收益。首先是总市值，总收益和其类似，就不贴了：总市值在前期熊市时，缓慢增加，在后期牛市时也跟上了上涨，但还是出现了阶段性的亏损。

最后看一下持仓占比，图的左轴是持仓占比，右轴是行情，可以初步判断模型出现了过拟合，在前期熊市时持仓频率低，在行情底部时持仓频率很高。还可以看到模型并没有学会长期持仓，总是很快的卖出。

测试数据取得时2019/6/27至今的比特币一小时行情。图中可以看到价格从开始的13000美元跌倒如今的9000多美元，对模型可以说考验很大。

首先最终相对收益，表现差强人意，但也没有亏损。

再看持仓情况，可以猜测模型倾向于急跌后买入等反弹卖出，最近一段时间比特币行情波动很小，模型一直处于空仓状态。

本文借助于深度强化学习方法PPO训练了一个比特币自动交易机器人，还算得到了一些结论。由于时间有限，模型还有一些可完善的地方，欢迎大家讨论。其中最大的教训是数据标准化是的方法，不要采用缩放之类的方法，否则模型会很快记住价格和行情的关系，陷入过拟合。变化率标准化后是相对数据，让模型很难记住和行情的关系，被迫寻找变化率和涨跌的联系。

—-

编译者/作者：发明者量化交易

玩币族申明：玩币族作为开放的资讯翻译/分享平台，所提供的所有资讯仅代表作者个人观点，与玩币族平台立场无关，且不构成任何投资理财建议。文章版权归原作者所有。