Trading con Deep Q-Network entrenada con trayectorias sintéticas

Resumen

El artículo presenta Trading Deep Q-Network (TDQN), un enfoque de aprendizaje por refuerzo profundo para elegir posiciones en el mercado bursátil a lo largo del tiempo. Adapta el método DQN al trading y establece el ratio de Sharpe como la medida de rendimiento que la estrategia busca maximizar. El objetivo descrito es encontrar posiciones adecuadas durante la operativa, en lugar de aplicar sin cambios un algoritmo general de aprendizaje por refuerzo.

El agente se entrena con trayectorias artificiales generadas a partir de un conjunto limitado de datos históricos de acciones. El artículo también propone un método más riguroso para evaluar estrategias de trading y presenta resultados prometedores de TDQN con esa evaluación. La descripción facilitada no especifica los mercados, los detalles del conjunto de datos, las estrategias de referencia, los resultados numéricos ni los procedimientos de evaluación, por lo que no es posible juzgar el rendimiento comunicado ni su capacidad de generalización basándose solo en este texto. Las trayectorias sintéticas y los datos históricos limitados son elementos centrales del enfoque, pero aquí no se explican cómo se construyen ni sus implicaciones.

Ideas clave

• TDQN adapta el aprendizaje Q profundo para elegir posiciones de trading en los mercados bursátiles.
• La estrategia busca maximizar el rendimiento medido por el ratio de Sharpe.
• El entrenamiento utiliza trayectorias artificiales generadas a partir de un conjunto limitado de datos históricos.
• El artículo propone un método más riguroso para evaluar el rendimiento y comunica resultados prometedores.
• La descripción disponible omite detalles de implementación y pruebas numéricas necesarias para evaluar la robustez.

Etiquetas

# 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.

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.