Trading algorithmique : indicateurs multiples A2C pour les actions | Stratmill

Résumé

L’article présente QTMRL, un agent d’apprentissage par renforcement conçu pour prendre des décisions de trading sur actions à l’aide d’indicateurs techniques. Le jeu de données d’entrée combine les cours et volumes quotidiens d’actions représentatives du S&P 500, issues de différents secteurs, avec des variables destinées à saisir les tendances, la volatilité et le momentum. Un cadre Advantage Actor-Critic relie le traitement des données, l’apprentissage de la politique et les décisions de trading afin d’adapter celles-ci à l’évolution des conditions de marché.

L’article rapporte des comparaisons avec des références statistiques, neuronales et fondées sur des moyennes mobiles dans différents régimes de marché, et revendique des avantages en matière de rentabilité, de performance ajustée du risque et de maîtrise des pertes. La description ne donne ni valeurs des mesures, ni procédures expérimentales détaillées, ni hypothèses sur les coûts de transaction, ni éléments sur la performance au-delà de l’échantillon indiqué. Le jeu de données couvre une longue période historique, mais les résultats obtenus sur ces actions et dates ne se généralisent pas nécessairement à d’autres actifs ou au trading en réel. Le résumé aide donc à comprendre la conception du système, mais laisse sa robustesse et sa capacité de déploiement incertaines.

Idées clés

• L’agent associe des indicateurs de tendance, de volatilité et de momentum à l’apprentissage par renforcement.
• Sa politique s’appuie sur un cadre Advantage Actor-Critic pour sélectionner les actions de trading.
• Les données d’entrée couvrent des observations quotidiennes sur des actions sélectionnées du S&P 500, dans plusieurs secteurs.
• L’article compare le système à des références statistiques, neuronales et fondées sur des moyennes mobiles.
• La description avance des affirmations de performance sans résultats numériques ni preuve en trading réel.

Étiquettes

# 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

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.