Optimisation de portefeuille par gradient de politique déterministe profond

Résumé

Ce travail teste si l’apprentissage profond par renforcement peut retrouver des stratégies de trading optimales dans des environnements simples à décrire, mais complexes sur le plan mathématique. Les auteurs se concentrent sur le gradient de politique déterministe profond, une méthode qui apprend une politique de choix d’actions par interaction avec un environnement. Ils sélectionnent des cas où la stratégie optimale, ou une approximation proche, est déjà connue afin de comparer le comportement appris et la récompense à une solution de référence.

Selon les résultats rapportés, l’agent retrouve les caractéristiques essentielles des stratégies connues et obtient des récompenses proches de l’optimum. Cela indique que l’algorithme peut servir de solveur dans les environnements testés. L’extrait ne précise ni les modèles de marché, ni les contraintes de portefeuille, ni les procédures d’entraînement, ni les métriques d’évaluation. Sa conclusion se limite donc aux environnements contrôlés retenus et n’établit pas les performances sur des marchés réels bruités, avec des coûts de transaction ou lorsque la politique optimale est inconnue.

Idées clés

• L’étude évalue l’apprentissage profond par renforcement comme solveur de stratégies de trading.
• Elle utilise le gradient de politique déterministe profond dans des environnements mathématiquement complexes, mais simples sur le plan conceptuel.
• Les stratégies optimales des environnements testés sont connues ou presque, ce qui permet une comparaison.
• Selon les résultats rapportés, l’agent retrouve les caractéristiques clés des stratégies et obtient des récompenses proches de l’optimum.
• L’extrait n’établit pas les performances en présence de frictions réelles de marché ou lorsque les politiques optimales sont inconnues.

Étiquettes

# Deep Deterministic Portfolio Optimization


# Deep Deterministic Portfolio Optimization









Can deep reinforcement learning algorithms be exploited as solvers for optimal trading strategies? The aim of this work is to test reinforcement learning algorithms on conceptually simple, but mathematically non-trivial, trading environments. The environments are chosen such that an optimal or close-to-optimal trading strategy is known. We study the deep deterministic policy gradient algorithm and show that such a reinforcement learning agent can successfully recover the essential features of the optimal trading strategies and achieve close-to-optimal rewards.

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.