Multi-Indikator-A2C für adaptiven Aktienhandel

Zusammenfassung

Das Dokument stellt QTMRL vor, einen Reinforcement-Learning-Agenten, der mithilfe technischer Indikatoren Handelsentscheidungen für Aktien trifft. Sein Eingabedatensatz kombiniert tägliche Preis- und Volumendaten repräsentativer S&P-500-Aktien aus verschiedenen Sektoren mit Merkmalen zu Trends, Volatilität und Momentum. Ein Advantage-Actor-Critic-Rahmen verbindet Datenverarbeitung, das Lernen der Policy und Handelsaktionen mit dem Ziel, Entscheidungen an wechselnde Marktbedingungen anzupassen.

Die Arbeit berichtet Vergleiche mit statistischen, neuronalen und auf gleitenden Durchschnitten basierenden Vergleichsverfahren über verschiedene Marktregime hinweg. Sie beansprucht Vorteile bei Profitabilität, risikobereinigter Performance und Begrenzung von Verlusten. Die Beschreibung nennt weder Kennzahlenwerte noch detaillierte Versuchsverfahren, Annahmen zu Transaktionskosten oder Belege zur Performance außerhalb der angegebenen Stichprobe. Der Datensatz umfasst einen langen historischen Zeitraum, aber die Ergebnisse für diese Aktien und Zeiträume lassen sich möglicherweise nicht auf andere Assets oder den Live-Handel übertragen. Die Zusammenfassung ermöglicht daher Einblicke in den Systemaufbau, lässt aber Robustheit und Einsatzfähigkeit offen.

Kernaussagen

• Der Agent kombiniert Trend-, Volatilitäts- und Momentumindikatoren mit Reinforcement Learning.
• Seine Policy verwendet ein Advantage-Actor-Critic-Verfahren zur Auswahl von Handelsaktionen.
• Die Eingabedaten umfassen tägliche Beobachtungen ausgewählter S&P-500-Aktien aus mehreren Sektoren.
• Die Arbeit vergleicht das System mit statistischen, neuronalen und auf gleitenden Durchschnitten basierenden Vergleichsverfahren.
• Die Beschreibung enthält keine numerischen Ergebnisse oder Belege für die behauptete Performance im Live-Handel.

Schlagwörter

# QTMRL: An Agent for Quantitative Trading Decision-Making Based on Multi-Indicator Guided Reinforcement Learning


# QTMRL: An Agent for Quantitative Trading Decision-Making Based on Multi-Indicator Guided Reinforcement Learning









In the highly volatile and uncertain global financial markets, traditional quantitative trading models relying on statistical modeling or empirical rules often fail to adapt to dynamic market changes and black swan events due to rigid assumptions and limited generalization. To address these issues, this paper proposes QTMRL (Quantitative Trading Multi-Indicator Reinforcement Learning), an intelligent trading agent combining multi-dimensional technical indicators with reinforcement learning (RL) for adaptive and stable portfolio management. We first construct a comprehensive multi-indicator dataset using 23 years of S&P 500 daily OHLCV data (2000-2022) for 16 representative stocks across 5 sectors, enriching raw data with trend, volatility, and momentum indicators to capture holistic market dynamics. Then we design a lightweight RL framework based on the Advantage Actor-Critic (A2C) algorithm, including data processing, A2C algorithm, and trading agent modules to support policy learning and actionable trading decisions. Extensive experiments compare QTMRL with 9 baselines (e.g., ARIMA, LSTM, moving average strategies) across diverse market regimes, verifying its superiority in profitability, risk adjustment, and downside risk control. The code of QTMRL is publicly available at https://github.com/ChenJiahaoJNU/QTMRL.git

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.