Trading de acciones adaptable con múltiples indicadores A2C

Resumen

El documento presenta QTMRL, un agente de aprendizaje por refuerzo diseñado para tomar decisiones de trading de acciones mediante indicadores técnicos. Su conjunto de datos de entrada combina datos diarios de precios y volumen de acciones representativas del S&P 500 de varios sectores con características destinadas a captar tendencias, volatilidad y momentum. Un marco Advantage Actor-Critic conecta el procesamiento de datos, el aprendizaje de políticas y las acciones de trading, con el objetivo de adaptar las decisiones a los cambios en las condiciones del mercado.

El artículo informa de comparaciones con referencias estadísticas, de redes neuronales y de medias móviles en distintos regímenes de mercado, y afirma ventajas en rentabilidad, rendimiento ajustado al riesgo y control del riesgo bajista. La descripción no ofrece valores de las métricas, procedimientos experimentales detallados, supuestos sobre costes de transacción ni pruebas de rendimiento más allá de la muestra indicada. El conjunto de datos abarca un largo periodo histórico, pero los resultados de esas acciones y fechas pueden no generalizarse a otros activos ni a la operativa real. Por tanto, el resumen permite conocer el diseño del sistema, pero no aclara su robustez ni su capacidad de implementación.

Ideas clave

• El agente combina indicadores de tendencia, volatilidad y momentum con aprendizaje por refuerzo.
• Su política utiliza un marco Advantage Actor-Critic para elegir acciones de trading.
• Los datos de entrada abarcan observaciones diarias de acciones seleccionadas del S&P 500 de varios sectores.
• El artículo compara el sistema con referencias estadísticas, neuronales y de medias móviles.
• Las afirmaciones de rendimiento descritas carecen de resultados numéricos y pruebas en operativa real.

Etiquetas

# 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

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.