کاربرد یادگیری تقویتی عمیق در معاملات بازگشت به میانگین
خلاصه
این سند کاربرد یادگیری تقویتی عمیق را در مسئله معاملاتی بازگشت به میانگین شرح می‌دهد. هدف آن دسترس‌پذیرتر کردن روش‌های جدید یادگیری تقویتی برای معامله‌گرانی است که در غیر این صورت باید از میان رویکردهای متعدد انتخاب کنند یا عامل‌ها را از مبانی کلاسیک بسازند. نمونه پیشنهادی از کتابخانه یادگیری تقویتی‌ای استفاده می‌کند که ابتدا برای بازی‌های راهبردی توسعه یافته و آن را در تصمیم‌گیری مالی به کار می‌برد.
این چارچوب همچنین ویژگی‌های توابع با انگیزه اقتصادی را دربرمی‌گیرد و هدف اعلام‌شده آن ساخت راه‌حلی همگرا و با عملکرد بالا است. بااین‌حال، سند معماری مشخص مدل، طراحی پاداش، قواعد معامله، داده، معیار مقایسه یا نتایج عددی ارائه نمی‌کند. بنابراین، رویکرد و انگیزه آن را ترسیم می‌کند، اما شواهد کافی برای ارزیابی سودآوری، استحکام یا عملکرد در مقایسه با روش‌های دیگر فراهم نمی‌آورد. ادعاهای مربوط به همگرایی و عملکرد، در این بخش بدون جزئیات آزمایشی پشتیبان مطرح شده‌اند.
ایده‌های کلیدی
- این پژوهش یادگیری تقویتی عمیق را در معاملات بازگشت به میانگین به کار می‌گیرد.
- در آن، استفاده از کتابخانه‌ای که ابتدا برای بازی‌های راهبردی ساخته شده در یک مسئله معاملاتی نمایش داده می‌شود.
- این چارچوب ویژگی‌های توابع با انگیزه اقتصادی را در روش یادگیری وارد می‌کند.
- سند ادعای ارائه راه‌حلی همگرا و با عملکرد بالا دارد، اما در اینجا جزئیات آزمایش یا نتیجه‌ای ارائه نمی‌کند.
- با اطلاعات ارائه‌شده نمی‌توان سودآوری و استحکام را ارزیابی کرد.
برچسب‌ها
متن کامل
# Deep Reinforcement Learning with Function Properties in Mean Reversion Strategies # Deep Reinforcement Learning with Function Properties in Mean Reversion Strategies Over the past decades, researchers have been pushing the limits of Deep Reinforcement Learning (DRL). Although DRL has attracted substantial interest from practitioners, many are blocked by having to search through a plethora of available methodologies that are seemingly alike, while others are still building RL agents from scratch based on classical theories. To address the aforementioned gaps in adopting the latest DRL methods, I am particularly interested in testing out if any of the recent technology developed by the leads in the field can be readily applied to a class of optimal trading problems. Unsurprisingly, many prominent breakthroughs in DRL are investigated and tested on strategic games: from AlphaGo to AlphaStar and at about the same time, OpenAI Five. Thus, in this writing, I want to show precisely how to use a DRL library that is initially built for games in a fundamental trading problem; mean reversion. And by introducing a framework that incorporates economically-motivated function properties, I also demonstrate, through the library, a highly-performant and convergent DRL solution to decision-making financial problems in general.
با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0
این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.