TD3 con acciones continuas para operar acciones y Bitcoin

Resumen

Este estudio aplica Twin-Delayed Deep Deterministic Policy Gradient (TD3), un método de aprendizaje por refuerzo con acciones continuas, a los precios de cierre diarios de las acciones de Amazon y de Bitcoin. La acción de trading representa tanto la posición que se debe tomar como el número de acciones que se deben negociar, ampliando los enfoques que utilizan acciones discretas. El artículo compara las estrategias resultantes con métodos de análisis técnico, otros enfoques de aprendizaje por refuerzo y estrategias estocásticas y deterministas.

El rendimiento se evalúa mediante los rendimientos y el ratio de Sharpe. Los resultados indicados sugieren que seleccionar tanto la posición como el tamaño de la operación puede mejorar el rendimiento según esas medidas. El documento no ofrece detalles de la evaluación, resultados específicos ni evidencia sobre la robustez en otros activos o periodos de mercado. Por tanto, sus conclusiones describen los mercados y métodos de comparación estudiados, pero no demuestran que TD3 con acciones continuas vaya a funcionar mejor en otros contextos.

Ideas clave

• Se utiliza TD3 para generar acciones de trading a partir de los precios de cierre diarios de Amazon y Bitcoin.
• El espacio de acciones representa tanto la posición de trading como el número de acciones negociadas.
• El estudio compara TD3 con estrategias de análisis técnico, aprendizaje por refuerzo, estocásticas y deterministas.
• Las medidas de rendimiento indicadas son los rendimientos y el ratio de Sharpe.
• La comparación indicada favorece combinar la selección de posición con el dimensionamiento de operaciones en los contextos evaluados por el estudio.

Etiquetas

# Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning


# Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning









Price movement prediction has always been one of the traders' concerns in financial market trading. In order to increase their profit, they can analyze the historical data and predict the price movement. The large size of the data and complex relations between them lead us to use algorithmic trading and artificial intelligence. This paper aims to offer an approach using Twin-Delayed DDPG (TD3) and the daily close price in order to achieve a trading strategy in the stock and cryptocurrency markets. Unlike previous studies using a discrete action space reinforcement learning algorithm, the TD3 is continuous, offering both position and the number of trading shares. Both the stock (Amazon) and cryptocurrency (Bitcoin) markets are addressed in this research to evaluate the performance of the proposed algorithm. The achieved strategy using the TD3 is compared with some algorithms using technical analysis, reinforcement learning, stochastic, and deterministic strategies through two standard metrics, Return and Sharpe ratio. The results indicate that employing both position and the number of trading shares can improve the performance of a trading system based on the mentioned metrics.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.