सामग्री पर जाएं
लाइब्रेरी के सभी दस्तावेज़

फ़ॉरेक्स ट्रेडिंग में रिइन्फ़ोर्समेंट लर्निंग के लिए DQN और PPO की तुलना

लेख arXiv papers · लेखक: Yun-Cheng Tsai et al.
मूल स्रोत पढ़ें

सारांश

यह अध्ययन विदेशी मुद्रा ट्रेडिंग में डीप रिइन्फ़ोर्समेंट लर्निंग लागू करता है। यह सीधे मूल्य पूर्वानुमानों पर निर्भर रहने के बजाय ट्रेड चुनने को निर्णयों के क्रम के रूप में प्रस्तुत करता है। यह Sure-Fire सांख्यिकीय आर्बिट्राज नीति को तीन संभावित कार्रवाइयों में ढालता है और निरंतर मूल्य इतिहास को Gramian Angular Field छवियों में बदलता है। लेखक चार-घंटे के अंतराल वाले EUR/USD, GBP/USD और AUD/USD डेटा से Deep Q Learning और Proximal Policy Optimization की तुलना करते हैं।

प्रशिक्षण में 1 अगस्त से 30 नवंबर 2018 तक के डेटा का उपयोग होता है, जबकि परीक्षण अवधि दिसंबर 2018 है। लेखक उन मॉडलों के लिए अनुकूल निवेश प्रदर्शन रिपोर्ट करते हैं जो जटिल, यादृच्छिक बाज़ार व्यवहार और ट्रेडिंग परिवेश का पर्याप्त वर्णन करने वाली अवस्थाओं को व्यक्त कर सकते हैं। दिए गए विवरण में रिटर्न के आँकड़े, जोखिम माप, शुल्क संबंधी मान्यताएँ या मॉडल की विस्तृत सेटिंग नहीं हैं, इसलिए यहाँ परिणामों की मज़बूती और तुलना का आकलन नहीं किया जा सकता। साक्ष्य तीन मुद्रा जोड़ियों पर संक्षिप्त ऐतिहासिक विभाजन का व्यवहार्यता परीक्षण है; यह स्थापित नहीं करता कि कोई भी एल्गोरिदम अन्य अवधियों में या लाइव निष्पादन स्थितियों में भरोसेमंद प्रदर्शन करेगा।

मुख्य विचार

  • यह तरीका फ़ॉरेक्स ट्रेडिंग को रिइन्फ़ोर्समेंट लर्निंग से हल की जाने वाली क्रमिक निर्णय समस्या मानता है।
  • अनुकूलित सांख्यिकीय आर्बिट्राज नीति में ट्रेडिंग की तीन कार्रवाइयाँ परिभाषित हैं।
  • मॉडल इनपुट के लिए मूल्य अवधियों को Gramian Angular Field छवियों के रूप में कूटबद्ध किया जाता है।
  • तीन मुद्रा जोड़ियों पर Deep Q Learning और Proximal Policy Optimization की तुलना की गई है।
  • संक्षिप्त ऐतिहासिक मूल्यांकन में अनुकूल प्रदर्शन रिपोर्ट है, लेकिन विस्तृत माप और ट्रेडिंग लागत की मान्यताएँ नहीं दी गईं।

टैग

विदेशी मुद्रामशीन लर्निंगआर्बिट्राजबैकटेस्टिंग
पूरा पाठ
# Deep Reinforcement Learning for Foreign Exchange Trading


# Deep Reinforcement Learning for Foreign Exchange Trading









Reinforcement learning can interact with the environment and is suitable for applications in decision control systems. Therefore, we used the reinforcement learning method to establish a foreign exchange transaction, avoiding the long-standing problem of unstable trends in deep learning predictions. In the system design, we optimized the Sure-Fire statistical arbitrage policy, set three different actions, encoded the continuous price over a period of time into a heat-map view of the Gramian Angular Field (GAF) and compared the Deep Q Learning (DQN) and Proximal Policy Optimization (PPO) algorithms. To test feasibility, we analyzed three currency pairs, namely EUR/USD, GBP/USD, and AUD/USD. We trained the data in units of four hours from 1 August 2018 to 30 November 2018 and tested model performance using data between 1 December 2018 and 31 December 2018. The test results of the various models indicated that favorable investment performance was achieved as long as the model was able to handle complex and random processes and the state was able to describe the environment, validating the feasibility of reinforcement learning in the development of trading strategies.

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।