Deep-Q-Network-Trading mit synthetischen Marktverläufen

Zusammenfassung

Die Arbeit stellt Trading Deep Q-Network (TDQN) vor, einen Ansatz des tiefen bestärkenden Lernens zur Wahl von Aktienmarktpositionen im Zeitverlauf. Sie passt die DQN-Methode an den Handel an und legt die Sharpe Ratio als Kennzahl fest, die die Strategie maximieren soll. Ziel ist es, passende Positionen während des Handels zu finden, statt einen unveränderten allgemeinen Algorithmus des bestärkenden Lernens anzuwenden.

Der Agent wird anhand künstlicher Verläufe trainiert, die aus einem begrenzten Satz historischer Aktiendaten erzeugt werden. Die Arbeit schlägt außerdem eine rigorosere Methode zur Bewertung von Handelsstrategien vor und berichtet dabei von vielversprechenden TDQN-Ergebnissen. Die Beschreibung nennt weder Märkte und Datensatzdetails noch Benchmarkstrategien, numerische Ergebnisse oder Bewertungsverfahren. Daher lässt sich die berichtete Performance oder ihre Übertragbarkeit anhand dieses Textes allein nicht beurteilen. Synthetische Verläufe und begrenzte historische Daten sind zentrale Merkmale des Ansatzes, ihre Erzeugung und Bedeutung werden hier jedoch nicht erläutert.

Kernaussagen

• TDQN überträgt Deep-Q-Learning auf die Auswahl von Handelspositionen an Aktienmärkten.
• Die Strategie ist darauf ausgelegt, die Sharpe Ratio zu maximieren.
• Das Training nutzt künstliche Verläufe aus einem begrenzten historischen Datensatz.
• Die Arbeit schlägt eine rigorosere Methode zur Leistungsbewertung vor und berichtet von vielversprechenden Ergebnissen.
• In der verfügbaren Beschreibung fehlen Implementierungsdetails und numerische Belege zur Beurteilung der Robustheit.

Schlagwörter

# An Application of Deep Reinforcement Learning to Algorithmic Trading


# An Application of Deep Reinforcement Learning to Algorithmic Trading









This scientific research paper presents an innovative approach based on deep reinforcement learning (DRL) to solve the algorithmic trading problem of determining the optimal trading position at any point in time during a trading activity in stock markets. It proposes a novel DRL trading strategy so as to maximise the resulting Sharpe ratio performance indicator on a broad range of stock markets. Denominated the Trading Deep Q-Network algorithm (TDQN), this new trading strategy is inspired from the popular DQN algorithm and significantly adapted to the specific algorithmic trading problem at hand. The training of the resulting reinforcement learning (RL) agent is entirely based on the generation of artificial trajectories from a limited set of stock market historical data. In order to objectively assess the performance of trading strategies, the research paper also proposes a novel, more rigorous performance assessment methodology. Following this new performance assessment approach, promising results are reported for the TDQN strategy.

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.