Trading à action continue avec TD3

Résumé

Cette étude applique Twin-Delayed Deep Deterministic Policy Gradient (TD3), une méthode d’apprentissage par renforcement à actions continues, aux cours de clôture quotidiens de l’action Amazon et du Bitcoin. L’action de trading représente à la fois la position à prendre et le nombre d’actions à négocier, ce qui étend les approches fondées sur des actions discrètes. L’article compare les stratégies obtenues à des méthodes d’analyse technique, à d’autres approches d’apprentissage par renforcement et à des stratégies stochastiques et déterministes.

Les performances sont évaluées à l’aide du rendement et du ratio de Sharpe. Les résultats rapportés suggèrent que le choix conjoint de la position et de la taille de la transaction peut améliorer ces mesures. Le document ne fournit ni détails sur l’évaluation, ni résultats précis ou éléments sur la robustesse pour d’autres actifs ou périodes de marché. Ses conclusions décrivent donc les marchés et méthodes de comparaison étudiés, sans établir que TD3 à action continue donnera de meilleurs résultats dans d’autres contextes.

Idées clés

• TD3 sert à générer des actions de trading à partir des cours de clôture quotidiens d’Amazon et du Bitcoin.
• L’espace d’action représente à la fois la position de trading et le nombre d’actions négociées.
• L’étude compare TD3 à des stratégies d’analyse technique, d’apprentissage par renforcement, stochastiques et déterministes.
• Le rendement et le ratio de Sharpe sont les mesures de performance indiquées.
• Dans les contextes testés, la comparaison rapportée favorise la combinaison du choix de position et du dimensionnement des transactions.

Étiquettes

# Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning


# Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning









Price movement prediction has always been one of the traders' concerns in financial market trading. In order to increase their profit, they can analyze the historical data and predict the price movement. The large size of the data and complex relations between them lead us to use algorithmic trading and artificial intelligence. This paper aims to offer an approach using Twin-Delayed DDPG (TD3) and the daily close price in order to achieve a trading strategy in the stock and cryptocurrency markets. Unlike previous studies using a discrete action space reinforcement learning algorithm, the TD3 is continuous, offering both position and the number of trading shares. Both the stock (Amazon) and cryptocurrency (Bitcoin) markets are addressed in this research to evaluate the performance of the proposed algorithm. The achieved strategy using the TD3 is compared with some algorithms using technical analysis, reinforcement learning, stochastic, and deterministic strategies through two standard metrics, Return and Sharpe ratio. The results indicate that employing both position and the number of trading shares can improve the performance of a trading system based on the mentioned metrics.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.