Deep Q-Learning für Multi-Asset-Portfoliotrading

Zusammenfassung

Diese Studie formuliert Portfoliotrading als Markov-Entscheidungsprozess und trainiert einen Agenten mit Deep Q-Learning, um Allokationen über mehrere Vermögenswerte hinweg zu wählen. Der Aktionsraum ist diskret und kombinatorisch: Für jeden Vermögenswert wählt der Agent eine Handelsrichtung in einer vorgegebenen Größe. Um Aktionen zu behandeln, die Beschränkungen verletzen, bildet die Methode einen unzulässigen Vorschlag auf die nächstgelegene zulässige Alternative ab. Außerdem beschreibt die Studie einen Agenten- und Q-Netzwerk-Aufbau, der den Multi-Asset-Aktionsraum verwalten und in jedem Zustand zulässige Aktionen simulieren soll.

Der Ansatz wird mit Backtests auf zwei repräsentativen Portfolios bewertet; die Ergebnisse werden als besser als die von Benchmark-Strategien angegeben. Das Dokument nennt weder die Portfolios und Benchmarks noch den Evaluierungszeitraum oder die Annahmen zu Transaktionskosten. Daher lässt sich anhand der Beschreibung allein weder die Breite des Vergleichs noch seine Relevanz für den Live-Handel beurteilen.

Kernaussagen

• Der Portfolioentscheidungsprozess wird als mit Deep Q-Learning trainierter Markov-Entscheidungsprozess modelliert.
• Der Agent wählt für jeden Vermögenswert eine diskrete Richtung und eine vorgegebene Handelsgröße.
• Ein Zuordnungsschritt wandelt unzulässige vorgeschlagene Aktionen in nahegelegene zulässige Aktionen um.
• Backtests mit zwei Portfolios sollen Benchmark-Strategien übertroffen haben; Details zur Evaluierung fehlen jedoch.

Schlagwörter

# An intelligent financial portfolio trading strategy using deep Q-learning


# An intelligent financial portfolio trading strategy using deep Q-learning









Portfolio traders strive to identify dynamic portfolio allocation schemes so that their total budgets are efficiently allocated through the investment horizon. This study proposes a novel portfolio trading strategy in which an intelligent agent is trained to identify an optimal trading action by using deep Q-learning. We formulate a Markov decision process model for the portfolio trading process, and the model adopts a discrete combinatorial action space, determining the trading direction at prespecified trading size for each asset, to ensure practical applicability. Our novel portfolio trading strategy takes advantage of three features to outperform in real-world trading. First, a mapping function is devised to handle and transform an initially found but infeasible action into a feasible action closest to the originally proposed ideal action. Second, by overcoming the dimensionality problem, this study establishes models of agent and Q-network for deriving a multi-asset trading strategy in the predefined action space. Last, this study introduces a technique that has the advantage of deriving a well-fitted multi-asset trading strategy by designing an agent to simulate all feasible actions in each state. To validate our approach, we conduct backtests for two representative portfolios and demonstrate superior results over the benchmark strategies.

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.