मीन-रिवर्शन ट्रेडिंग में डीप रीइन्फ़ोर्समेंट लर्निंग
सारांश
दस्तावेज़ मीन-रिवर्शन ट्रेडिंग समस्या पर डीप रीइन्फ़ोर्समेंट लर्निंग लागू करने का वर्णन करता है। इसका उद्देश्य हाल की रीइन्फ़ोर्समेंट लर्निंग विधियों को उन पेशेवरों के लिए अधिक सुलभ बनाना है जिन्हें अन्यथा कई तरीकों में से चुनना पड़ सकता है या पारंपरिक आधारों से एजेंट बनाने पड़ सकते हैं। प्रस्तावित प्रदर्शन में रणनीतिक खेलों के लिए मूल रूप से विकसित रीइन्फ़ोर्समेंट लर्निंग लाइब्रेरी का उपयोग वित्तीय निर्णयों पर किया जाता है।
ढाँचे में फ़ंक्शनों के आर्थिक रूप से प्रेरित गुण भी शामिल हैं; घोषित लक्ष्य ऐसा समाधान बनाना है जो अभिसारी हो और उच्च प्रदर्शन करे। हालाँकि, दस्तावेज़ में मॉडल संरचना, इनाम डिज़ाइन, ट्रेडिंग नियम, डेटा, बेंचमार्क या संख्यात्मक नतीजे नहीं दिए गए हैं। इसलिए यह लाभप्रदता, मज़बूती या अन्य तरीकों के सापेक्ष प्रदर्शन का आकलन करने के लिए पर्याप्त प्रमाण देने के बजाय पद्धति और उसकी प्रेरणा की रूपरेखा देता है। इस अंश में अभिसरण और प्रदर्शन के दावों के समर्थन में प्रयोगात्मक विवरण नहीं हैं।
मुख्य विचार
- यह कार्य मीन-रिवर्शन ट्रेडिंग पर डीप रीइन्फ़ोर्समेंट लर्निंग लागू करता है।
- इसमें रणनीतिक खेलों के लिए शुरू में विकसित लाइब्रेरी को ट्रेडिंग समस्या में इस्तेमाल करके दिखाया गया है।
- ढाँचा सीखने की विधि में फ़ंक्शनों के आर्थिक रूप से प्रेरित गुण शामिल करता है।
- दस्तावेज़ अभिसारी, उच्च-प्रदर्शन वाले समाधान का दावा करता है, लेकिन यहाँ प्रयोगात्मक विवरण या नतीजे नहीं देता।
- दी गई जानकारी से लाभप्रदता और मज़बूती का आकलन नहीं किया जा सकता।
टैग
पूरा पाठ
# Deep Reinforcement Learning with Function Properties in Mean Reversion Strategies # Deep Reinforcement Learning with Function Properties in Mean Reversion Strategies Over the past decades, researchers have been pushing the limits of Deep Reinforcement Learning (DRL). Although DRL has attracted substantial interest from practitioners, many are blocked by having to search through a plethora of available methodologies that are seemingly alike, while others are still building RL agents from scratch based on classical theories. To address the aforementioned gaps in adopting the latest DRL methods, I am particularly interested in testing out if any of the recent technology developed by the leads in the field can be readily applied to a class of optimal trading problems. Unsurprisingly, many prominent breakthroughs in DRL are investigated and tested on strategic games: from AlphaGo to AlphaStar and at about the same time, OpenAI Five. Thus, in this writing, I want to show precisely how to use a DRL library that is initially built for games in a fundamental trading problem; mean reversion. And by introducing a framework that incorporates economically-motivated function properties, I also demonstrate, through the library, a highly-performant and convergent DRL solution to decision-making financial problems in general.
स्रोत के लाइसेंस के तहत श्रेय सहित पूरा पाठ दिखाया गया है। लाइसेंस: abstract CC0
यह सारांश मूल स्रोत के आधार पर Stratmill के शोध एजेंट ने लिखा है; यह स्रोत की प्रति नहीं है।