Apprentissage par renforcement profond pour le trading d’actions

Résumé

L’étude explore l’apprentissage par renforcement profond pour élaborer une stratégie de trading adaptative sur un portefeuille de 30 actions. Elle utilise les prix quotidiens comme données d’entraînement et environnement de trading, puis compare l’agent à la moyenne industrielle Dow Jones et à une stratégie classique d’allocation de portefeuille à variance minimale. Les objectifs déclarés sont d’optimiser les décisions de trading et les rendements des investissements.

Les auteurs indiquent que leur agent surpasse les deux approches de comparaison selon le ratio de Sharpe et les rendements cumulés. L’extrait ne précise ni les dates d’entraînement et d’évaluation, ni les coûts de transaction, ni les contraintes de risque, ni la conception de la fonction de récompense, ni si l’évaluation évite le biais d’anticipation. Il ne fournit pas non plus de résultats chiffrés ; la taille et la robustesse de l’avantage rapporté ne peuvent donc pas être évaluées à partir de cette seule description. Les résultats constituent des éléments pour l’expérience proposée, et non une preuve que l’approche se généralisera à d’autres actions ou conditions de marché.

Idées clés

• Un agent d’apprentissage par renforcement profond est entraîné à négocier un panier de 30 actions à partir des prix quotidiens.
• La stratégie apprise vise à s’adapter à un marché boursier complexe et changeant.
• L’étude compare l’agent à la moyenne industrielle Dow Jones et à une allocation à variance minimale.
• Les auteurs rapportent pour l’agent un ratio de Sharpe et des rendements cumulés supérieurs à ceux des deux références.
• L’extrait omet des détails d’évaluation tels que les coûts, les dates, la fonction de récompense et les performances chiffrées.

Étiquettes

# 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.

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.