التعلم المعزز العميق للتداول عبر الأسواق

الملخص

تقيّم الورقة طريقتين من التعلم المعزز العميق للتداول: شبكة Q العميقة المزدوجة والتحسين القريب للسياسة. وتقارن أداءهما بمعيار الشراء والاحتفاظ باستخدام بيانات يومية من 2019 إلى 2023. وتشمل الأصول المذكورة ثلاثة أزواج عملات ومؤشر S&P 500 وبيتكوين.

تشير النتائج المعلنة إلى أن أنظمة التعلم المعزز تستطيع تجنب التداول في الظروف غير المواتية وتحقيق عوائد أفضل معدلة حسب المخاطر من أساليب التعلم الخاضع للإشراف التقليدية. ويوحي ذلك بأن سياسة قادرة على اختيار أوقات البقاء خارج السوق قد تسهم في إدارة المخاطر واختيار الصفقات. ولا تحدد النبذة أزواج العملات أو تصميم النموذج أو تكاليف المعاملات أو إجراء التحقق أو نتائج كل أصل، كما لا تقدم مقاييس أداء رقمية. لذلك ينبغي فهم النتائج بوصفها ادعاءات تخص البيانات والإعدادات التي اختبرتها الدراسة، لا دليلًا على أن الأساليب ستعمم على فترات أخرى أو على التداول الفعلي.

الأفكار الرئيسية

• تقارن الدراسة أداء DDQN وPPO بأداء معيار الشراء والاحتفاظ.
• تقيّم الاستراتيجيات على ملاحظات يومية تشمل أزواج عملات ومؤشر أسهم وبيتكوين.
• تمتد فترة الاختبار المعلنة من 2019 إلى 2023.
• يعزو المؤلفون جزءًا من إدارة المخاطر في الأساليب إلى تجنب الصفقات غير المواتية.
• تتجاوز العوائد المعدلة حسب المخاطر المعلنة عوائد أساليب التعلم الخاضع للإشراف التقليدية في الدراسة.

الوسوم

# Can Artificial Intelligence Trade the Stock Market?


# Can Artificial Intelligence Trade the Stock Market?









The paper explores the use of Deep Reinforcement Learning (DRL) in stock market trading, focusing on two algorithms: Double Deep Q-Network (DDQN) and Proximal Policy Optimization (PPO) and compares them with Buy and Hold benchmark. It evaluates these algorithms across three currency pairs, the S&P 500 index and Bitcoin, on the daily data in the period of 2019-2023. The results demonstrate DRL's effectiveness in trading and its ability to manage risk by strategically avoiding trades in unfavorable conditions, providing a substantial edge over classical approaches, based on supervised learning in terms of risk-adjusted returns.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.