למידת חיזוק עמוקה למסחר בשווקים שונים

מאמר arXiv papers · מחבר: Jędrzej Maskiewicz et al.

סיכום

המאמר בוחן שתי שיטות של למידת חיזוק עמוקה למסחר: Double Deep Q-Network ו-Proximal Policy Optimization. ביצועיהן מושווים למדד ייחוס של קנייה והחזקה, תוך שימוש בנתונים יומיים מ-2019 עד 2023. הנכסים המתוארים כוללים שלושה צמדי מטבעות, את מדד S&P 500 ואת Bitcoin.

התוצאות המדווחות מצביעות על כך שמערכות למידת החיזוק מסוגלות להימנע מעסקאות בתנאים לא נוחים ולהשיג תשואות מותאמות לסיכון גבוהות יותר משיטות קלאסיות של למידה מפוקחת. מכך עולה שמדיניות המסוגלת לבחור מתי להישאר מחוץ לשוק עשויה לתרום לניהול סיכונים וגם לבחירת עסקאות. הסיכום אינו מפרט את צמדי המטבעות, את תכנון המודל, עלויות העסקה, הליך האימות או תוצאות לכל נכס, ואינו מספק מדדי ביצועים מספריים. לכן יש לקרוא את הממצאים כטענות על הנתונים ועל התצורה שנבדקו במחקר, ולא כראיה לכך שהשיטות יכלילו לתקופות אחרות או למסחר חי.

רעיונות מרכזיים

המחקר משווה בין DDQN ובין PPO למדד ייחוס של קנייה והחזקה.
הוא בוחן אסטרטגיות על תצפיות יומיות בצמדי מטבעות, במדד מניות וב-Bitcoin.
תקופת הבדיקה המדווחת נמשכת מ-2019 ועד 2023.
המחברים מייחסים חלק מניהול הסיכונים של השיטות להימנעות מעסקאות לא נוחות.
במחקר, התשואות המותאמות לסיכון המדווחות גבוהות מאלה של שיטות קלאסיות ללמידה מפוקחת.

תגיות

למידת מכונה מניות מט״ח קריפטו ניהול סיכונים

הטקסט המלא

# Can Artificial Intelligence Trade the Stock Market?


# Can Artificial Intelligence Trade the Stock Market?









The paper explores the use of Deep Reinforcement Learning (DRL) in stock market trading, focusing on two algorithms: Double Deep Q-Network (DDQN) and Proximal Policy Optimization (PPO) and compares them with Buy and Hold benchmark. It evaluates these algorithms across three currency pairs, the S&P 500 index and Bitcoin, on the daily data in the period of 2019-2023. The results demonstrate DRL's effectiveness in trading and its ability to manage risk by strategically avoiding trades in unfavorable conditions, providing a substantial edge over classical approaches, based on supervised learning in terms of risk-adjusted returns.

מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0

הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.