Deep Reinforcement Learning für den Handel über Märkte hinweg

Artikel arXiv papers · Autor: Jędrzej Maskiewicz et al.

Zusammenfassung

Die Studie bewertet zwei Deep-Reinforcement-Learning-Methoden für den Handel: Double Deep Q-Network und Proximal Policy Optimization. Ihre Leistung wird anhand täglicher Daten von 2019 bis 2023 mit einer Buy-and-Hold-Benchmark verglichen. Zu den beschriebenen Vermögenswerten gehören drei Währungspaare, der S&P-500-Index und Bitcoin.

Den berichteten Ergebnissen zufolge können die Reinforcement-Learning-Systeme bei ungünstigen Bedingungen Handelsgeschäfte vermeiden und bessere risikobereinigte Renditen erzielen als klassische überwachte Lernverfahren. Dies deutet darauf hin, dass eine Strategie, die entscheiden kann, wann sie dem Markt fernbleibt, sowohl zum Risikomanagement als auch zur Auswahl von Handelsgeschäften beitragen kann. Die Zusammenfassung nennt weder die Währungspaare noch das Modelldesign, die Transaktionskosten, das Validierungsverfahren oder die Ergebnisse für einzelne Vermögenswerte; zudem enthält sie keine numerischen Leistungskennzahlen. Die Befunde sind daher als Aussagen zu den getesteten Daten und dem Versuchsaufbau der Studie zu verstehen, nicht als Beleg dafür, dass sich die Methoden auf andere Zeiträume oder den Live-Handel übertragen lassen.

Kernaussagen

Die Studie vergleicht DDQN und PPO mit einer Buy-and-Hold-Benchmark.
Sie bewertet Strategien anhand täglicher Beobachtungen zu Währungspaaren, einem Aktienindex und Bitcoin.
Der berichtete Testzeitraum reicht von 2019 bis 2023.
Die Autoren führen einen Teil des Risikomanagements der Methoden darauf zurück, dass ungünstige Handelsgeschäfte vermieden werden.
Die berichteten risikobereinigten Renditen übertreffen in der Studie jene klassischer überwachter Lernverfahren.

Schlagwörter

Maschinelles Lernen Aktien Devisenhandel Krypto Risikomanagement

Volltext

# 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.

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.