آموزش شبکه Q عمیق معاملاتی با مسیرهای مصنوعی بازار

خلاصه

مقاله شبکه Q عمیق معاملاتی (TDQN) را معرفی می‌کند؛ رویکردی مبتنی بر یادگیری تقویتی عمیق برای انتخاب موقعیت‌های بازار سهام در طول زمان. روش DQN را با معاملات سازگار می‌کند و نسبت شارپ را سنجه عملکردی قرار می‌دهد که استراتژی می‌کوشد بیشینه کند. هدف توصیف‌شده یافتن موقعیت‌های مناسب هنگام معامله است، نه صرفاً به‌کارگیری بدون تغییر یک الگوریتم یادگیری تقویتیِ همه‌منظوره.

عامل با استفاده از مسیرهای مصنوعی آموزش می‌بیند که از مجموعه محدودی از داده‌های تاریخی سهام تولید شده‌اند. مقاله همچنین روش دقیق‌تری برای ارزیابی استراتژی‌های معاملاتی پیشنهاد می‌کند و نتایج امیدوارکننده TDQN را بر اساس آن ارزیابی گزارش می‌دهد. توضیحات موجود بازارها، جزئیات مجموعه‌داده، استراتژی‌های معیار، نتایج عددی یا روش‌های ارزیابی را مشخص نمی‌کند؛ بنابراین از روی این متن به‌تنهایی نمی‌توان عملکرد گزارش‌شده یا تعمیم‌پذیری آن را سنجید. مسیرهای مصنوعی و داده‌های تاریخی محدود از ویژگی‌های اصلی رویکردند، اما چگونگی ساخت و پیامدهایشان در اینجا توضیح داده نشده است.

ایده‌های کلیدی

• TDQN یادگیری عمیق Q را برای انتخاب موقعیت‌های معاملاتی در بازار سهام سازگار می‌کند.
• استراتژی برای بیشینه‌کردن عملکرد بر پایه نسبت شارپ طراحی شده است.
• آموزش از مسیرهای مصنوعی تولیدشده با مجموعه‌داده تاریخی محدود استفاده می‌کند.
• مقاله روش دقیق‌تری برای ارزیابی عملکرد پیشنهاد می‌کند و از نتایج امیدوارکننده خبر می‌دهد.
• شرح موجود جزئیات پیاده‌سازی و شواهد عددی لازم برای سنجش استحکام را ارائه نمی‌کند.

برچسب‌ها

# 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.

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.