Adaptiver Aktienhandel mit Deep Reinforcement Learning

Zusammenfassung

Die Studie untersucht Deep Reinforcement Learning als Ansatz zur Entwicklung einer adaptiven Handelsstrategie für ein Portfolio aus 30 Aktien. Sie nutzt Tageskurse als Trainingsdaten und Handelsumgebung und vergleicht den Agenten anschließend mit dem Dow Jones Industrial Average sowie einer herkömmlichen Minimum-Varianz-Portfoliostrategie. Als Ziele werden die Optimierung von Handelsentscheidungen und der Anlagerendite genannt.

Die Autoren berichten, dass ihr Agent beide Vergleichsansätze bei der Sharpe-Ratio und den kumulierten Renditen übertrifft. Der Auszug nennt weder Trainings- und Bewertungszeiträume noch Transaktionskosten, Risikobeschränkungen, die Gestaltung der Belohnungsfunktion oder ob die Bewertung einen Look-ahead-Bias vermeidet. Außerdem fehlen Zahlenwerte, sodass sich Größe und Robustheit des berichteten Vorteils anhand dieser Beschreibung nicht beurteilen lassen. Die Ergebnisse sind ein Beleg für das vorgeschlagene Experiment, aber kein Nachweis dafür, dass sich der Ansatz auf andere Aktien oder Marktbedingungen übertragen lässt.

Kernaussagen

• Ein Deep-Reinforcement-Learning-Agent wird anhand von Tageskursen für den Handel mit einem Korb aus 30 Aktien trainiert.
• Die gelernte Strategie soll sich an einen komplexen und sich verändernden Aktienmarkt anpassen.
• Die Studie vergleicht den Agenten mit dem Dow Jones Industrial Average und einer Minimum-Varianz-Allokation.
• Die Autoren berichten für den Agenten höhere Sharpe-Ratios und kumulierte Renditen als für beide Vergleichsansätze.
• Im Auszug fehlen Bewertungsdetails wie Kosten, Zeiträume, Belohnungsfunktion und numerische Leistungsergebnisse.

Schlagwörter

# Practical Deep Reinforcement Learning Approach for Stock Trading


# Practical Deep Reinforcement Learning Approach for Stock Trading









Stock trading strategy plays a crucial role in investment companies. However, it is challenging to obtain optimal strategy in the complex and dynamic stock market. We explore the potential of deep reinforcement learning to optimize stock trading strategy and thus maximize investment return. 30 stocks are selected as our trading stocks and their daily prices are used as the training and trading market environment. We train a deep reinforcement learning agent and obtain an adaptive trading strategy. The agent's performance is evaluated and compared with Dow Jones Industrial Average and the traditional min-variance portfolio allocation strategy. The proposed deep reinforcement learning approach is shown to outperform the two baselines in terms of both the Sharpe ratio and cumulative returns.

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.