معامله سهام تطبیقی با A2C چندشاخصی

خلاصه

این سند QTMRL را معرفی می‌کند؛ عامل یادگیری تقویتی‌ای که برای تصمیم‌گیری در معاملات سهام با استفاده از شاخص‌های تکنیکال طراحی شده است. مجموعه داده ورودی شامل داده‌های روزانه قیمت و حجم سهام نماینده بخش‌های مختلف S&P 500 است و ویژگی‌هایی دارد که برای ثبت روند، نوسان و مومنتوم در نظر گرفته شده‌اند. چارچوب کنشگرـ‌نقادِ مزیت، پردازش داده، یادگیری سیاست و کنش‌های معاملاتی را به هم پیوند می‌دهد تا تصمیم‌ها با تغییر شرایط بازار سازگار شوند.

مقاله مقایسه‌هایی با معیارهای پایه آماری، شبکه عصبی و میانگین متحرک در رژیم‌های مختلف بازار گزارش می‌کند و مدعی برتری در سودآوری، عملکرد تعدیل‌شده برحسب ریسک و کنترل ریسک نزولی است. شرح مقاله مقادیر معیارها، رویه‌های آزمایشی دقیق، فرض‌های هزینه تراکنش یا شواهد عملکرد خارج از نمونه اعلام‌شده را ارائه نمی‌کند. مجموعه داده دوره‌ای تاریخی طولانی را پوشش می‌دهد، اما نتایج همان سهام و تاریخ‌ها ممکن است به دارایی‌های دیگر یا معامله زنده تعمیم‌پذیر نباشند. بنابراین، خلاصه به یادگیری درباره طراحی سامانه کمک می‌کند، اما استحکام و قابلیت به‌کارگیری آن را روشن نمی‌سازد.

ایده‌های کلیدی

• این عامل، شاخص‌های روند، نوسان و مومنتوم را با یادگیری تقویتی ترکیب می‌کند.
• سیاست آن از چارچوب کنشگرـ‌نقادِ مزیت برای انتخاب کنش‌های معاملاتی استفاده می‌کند.
• داده ورودی، مشاهدات روزانه سهام منتخب S&P 500 را در چند بخش پوشش می‌دهد.
• مقاله سامانه را با معیارهای پایه آماری، عصبی و مبتنی بر میانگین متحرک مقایسه می‌کند.
• ادعاهای عملکردی گزارش‌شده در شرح مقاله فاقد نتایج عددی و شواهد معامله زنده‌اند.

برچسب‌ها

# 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

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.