یادگیری تقویتی عمیق برای معامله تطبیقی سهام
خلاصه
این مطالعه یادگیری تقویتی عمیق را راهی برای توسعه یک استراتژی معاملاتی تطبیقی برای پرتفویی شامل 30 سهم بررسی می‌کند. از قیمت‌های روزانه به‌عنوان داده آموزش و محیط معامله استفاده می‌شود، سپس عامل با میانگین صنعتی داو جونز و یک استراتژی سنتی تخصیص پرتفوی با کمینه واریانس مقایسه می‌شود. اهداف اعلام‌شده، بهینه‌سازی تصمیم‌های معاملاتی و بازده سرمایه‌گذاری هستند.
نویسندگان گزارش می‌کنند که عامل آن‌ها از هر دو رویکرد مقایسه‌ای از نظر نسبت شارپ و بازده تجمعی بهتر عمل می‌کند. متن، تاریخ‌های آموزش و ارزیابی، هزینه‌های معامله، محدودیت‌های ریسک، طراحی پاداش یا اجتناب ارزیابی از سوگیری نگاه به آینده را مشخص نمی‌کند. همچنین نتایج عددی ارائه نشده‌اند؛ بنابراین فقط بر اساس این توضیحات نمی‌توان اندازه یا استحکام برتری گزارش‌شده را ارزیابی کرد. یافته‌ها شاهدی برای آزمایش پیشنهادی هستند، نه اثباتی بر تعمیم‌پذیری رویکرد به سهام یا شرایط بازار دیگر.
ایده‌های کلیدی
- عامل یادگیری تقویتی عمیق با استفاده از قیمت‌های روزانه برای معامله سبدی از 30 سهم آموزش می‌بیند.
- هدف استراتژی آموخته‌شده، انطباق با بازاری پیچیده و متغیر برای سهام است.
- مطالعه عامل را با میانگین صنعتی داو جونز و تخصیص با کمینه واریانس مقایسه می‌کند.
- نویسندگان نسبت شارپ و بازده تجمعی بالاتری را برای عامل نسبت به هر دو خط مبنا گزارش می‌کنند.
- متن جزئیات ارزیابی، از جمله هزینه‌ها، تاریخ‌ها، طراحی پاداش و عملکرد عددی را ارائه نمی‌کند.
برچسب‌ها
متن کامل
# 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.
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.