Aprendizaje por refuerzo profundo aplicado al trading entre mercados

Resumen

El artículo evalúa dos métodos de aprendizaje por refuerzo profundo, Double Deep Q-Network y Proximal Policy Optimization, aplicados al trading. Compara su rendimiento con una referencia de compra y mantenimiento usando datos diarios de 2019 a 2023. Los activos descritos incluyen tres pares de divisas, el índice S&P 500 y Bitcoin.

Los resultados presentados indican que los sistemas de aprendizaje por refuerzo pueden evitar operar en condiciones desfavorables y obtener mejores rendimientos ajustados al riesgo que los métodos clásicos de aprendizaje supervisado. Esto sugiere que una política capaz de elegir cuándo mantenerse fuera del mercado puede contribuir tanto a la gestión del riesgo como a la selección de operaciones. El resumen no especifica los pares de divisas, el diseño del modelo, los costes de transacción, el procedimiento de validación ni los resultados por activo, y tampoco ofrece medidas numéricas de rendimiento. Por tanto, los hallazgos deben entenderse como afirmaciones sobre los datos y la configuración probados en el estudio, no como evidencia de que los métodos se generalicen a otros periodos o al trading en vivo.

Ideas clave

• El estudio compara DDQN y PPO con una referencia de compra y mantenimiento.
• Evalúa estrategias con observaciones diarias de pares de divisas, un índice bursátil y Bitcoin.
• El periodo de prueba presentado abarca de 2019 a 2023.
• Los autores atribuyen parte de la gestión del riesgo de estos métodos a evitar operaciones desfavorables.
• En el estudio, los rendimientos ajustados al riesgo presentados superan los de los métodos clásicos de aprendizaje supervisado.

Etiquetas

# 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.

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.