Aprendizaje por refuerzo profundo para operar con acciones

Resumen

El estudio explora el aprendizaje por refuerzo profundo como método para desarrollar una estrategia de trading adaptativa para una cartera de 30 acciones. Utiliza precios diarios como datos de entrenamiento y entorno de trading, y después compara el agente con el Dow Jones Industrial Average y una estrategia tradicional de asignación de cartera de varianza mínima. Los objetivos declarados son optimizar las decisiones de trading y los rendimientos de la inversión.

Los autores afirman que su agente supera a ambos enfoques de comparación en el ratio de Sharpe y los rendimientos acumulados. El fragmento no especifica las fechas de entrenamiento y evaluación, los costes de transacción, las restricciones de riesgo, el diseño de la recompensa ni si la evaluación evita el sesgo de anticipación. Tampoco ofrece resultados numéricos, por lo que esta descripción no permite valorar la magnitud ni la solidez de la ventaja indicada. Los resultados respaldan el experimento propuesto, pero no demuestran que el enfoque vaya a generalizarse a otras acciones o condiciones de mercado.

Ideas clave

• Se entrena un agente de aprendizaje por refuerzo profundo para operar con una cesta de 30 acciones usando precios diarios.
• La estrategia aprendida busca adaptarse a un mercado bursátil complejo y cambiante.
• El estudio compara el agente con el Dow Jones Industrial Average y una asignación de varianza mínima.
• Los autores afirman que el agente logra un ratio de Sharpe y rendimientos acumulados superiores a los de ambos referentes.
• El fragmento omite detalles de evaluación, como costes, fechas, diseño de la recompensa y rendimiento numérico.

Etiquetas

# 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.

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.