Trading par Deep Q-Network entraîné sur des trajectoires de marché synthétiques

Résumé

L’article présente Trading Deep Q-Network (TDQN), une approche d’apprentissage profond par renforcement visant à choisir des positions boursières au fil du temps. Il adapte la méthode DQN au trading et fixe le ratio de Sharpe comme mesure de performance à maximiser pour la stratégie. L’objectif décrit consiste à trouver des positions adaptées au cours du trading, plutôt qu’à appliquer simplement un algorithme général d’apprentissage par renforcement sans modification.

L’agent est entraîné sur des trajectoires artificielles générées à partir d’un ensemble limité de données historiques sur les actions. L’article propose aussi une méthode plus rigoureuse d’évaluation des stratégies de trading et rapporte des résultats prometteurs de TDQN selon cette évaluation. La description fournie ne précise ni les marchés, ni les détails des données, ni les stratégies de référence, ni les résultats chiffrés, ni les procédures d’évaluation ; il est donc impossible de juger les performances rapportées ou leur généralisation à partir de ce seul texte. Les trajectoires synthétiques et les données historiques limitées sont des éléments centraux de l’approche, mais leur construction et leurs implications ne sont pas expliquées ici.

Idées clés

• TDQN adapte l’apprentissage profond par Q-learning pour choisir des positions de trading sur les marchés actions.
• La stratégie vise à maximiser le ratio de Sharpe.
• L’entraînement utilise des trajectoires artificielles générées à partir d’un jeu limité de données historiques.
• L’article propose une méthode d’évaluation plus rigoureuse des performances et rapporte des résultats prometteurs.
• La description disponible omet les détails de mise en œuvre et les données chiffrées nécessaires pour évaluer la robustesse.

Étiquettes

# 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.

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.