TD3 mit kontinuierlichen Aktionen für Aktien- und Bitcoin-Handel

Zusammenfassung

Diese Studie wendet Twin Delayed Deep Deterministic Policy Gradient (TD3), eine Reinforcement-Learning-Methode mit kontinuierlichen Aktionen, auf tägliche Schlusskurse der Amazon-Aktie und von Bitcoin an. Die Handelsaktion bildet sowohl die einzunehmende Position als auch die Anzahl der zu handelnden Aktien ab und erweitert damit Ansätze mit diskreten Aktionen. Die Arbeit vergleicht die daraus entstehenden Strategien mit Methoden der technischen Analyse, weiteren Reinforcement-Learning-Ansätzen sowie stochastischen und deterministischen Strategien.

Die Performance wird anhand von Rendite und Sharpe-Ratio bewertet. Die berichteten Ergebnisse deuten darauf hin, dass die gleichzeitige Auswahl von Position und Handelsgröße diese Kennzahlen verbessern kann. Das Dokument enthält weder Angaben zur Evaluierung noch konkrete Ergebnisse oder Belege für Robustheit über andere Assets oder Marktzeiträume hinweg. Die Schlussfolgerungen beziehen sich daher auf die untersuchten Märkte und Vergleichsmethoden und belegen nicht, dass TD3 mit kontinuierlichen Aktionen unter anderen Bedingungen besser abschneidet.

Kernaussagen

• TD3 erzeugt anhand täglicher Schlusskurse von Amazon und Bitcoin Handelssignale.
• Der Aktionsraum bildet sowohl die Handelsposition als auch die Zahl der gehandelten Aktien ab.
• Die Studie vergleicht TD3 mit Strategien der technischen Analyse, des Reinforcement Learning sowie stochastischen und deterministischen Strategien.
• Rendite und Sharpe-Ratio sind die angegebenen Leistungskennzahlen.
• Im Rahmen der getesteten Bedingungen spricht der berichtete Vergleich für die Kombination aus Positionsauswahl und Handelsgrößenbestimmung.

Schlagwörter

# Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning


# Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning









Price movement prediction has always been one of the traders' concerns in financial market trading. In order to increase their profit, they can analyze the historical data and predict the price movement. The large size of the data and complex relations between them lead us to use algorithmic trading and artificial intelligence. This paper aims to offer an approach using Twin-Delayed DDPG (TD3) and the daily close price in order to achieve a trading strategy in the stock and cryptocurrency markets. Unlike previous studies using a discrete action space reinforcement learning algorithm, the TD3 is continuous, offering both position and the number of trading shares. Both the stock (Amazon) and cryptocurrency (Bitcoin) markets are addressed in this research to evaluate the performance of the proposed algorithm. The achieved strategy using the TD3 is compared with some algorithms using technical analysis, reinforcement learning, stochastic, and deterministic strategies through two standard metrics, Return and Sharpe ratio. The results indicate that employing both position and the number of trading shares can improve the performance of a trading system based on the mentioned metrics.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.