कर-जागरूक स्टॉक ट्रेडिंग के लिए डीप रीइनफ़ोर्समेंट लर्निंग

सारांश

यह शोधपत्र अध्ययन करता है कि पूँजीगत लाभ कर और वास्तव में हुए घाटों से मिलने वाले कर लाभ शेयर ट्रेडिंग के निर्णयों को कैसे प्रभावित करते हैं। इसमें रीइनफ़ोर्समेंट लर्निंग परिवेश में औसत कर आधार का उपयोग प्रस्तावित है, जिससे एजेंट करों को शामिल करने और उन्हें अनदेखा करने, दोनों तरह की रणनीतियाँ सीख सकता है। मुख्य सीख यह है कि कर-व्यवहार ट्रेड के पसंदीदा समय और चयन को बदल सकता है, इसलिए निरंतर शेयर ट्रेडिंग को अनुकूलित करते समय करों का सीधे मॉडल बनाना महत्वपूर्ण हो सकता है।

रिपोर्ट की गई तुलना में करों को अनदेखा करने से औसत पोर्टफोलियो रिटर्न 62% से अधिक घट सकता है। उपलब्ध अंश उस नतीजे के पीछे के डेटा, बाज़ार, कर नियमों, पुरस्कार डिज़ाइन या प्रयोग की व्यवस्था का वर्णन नहीं करता, इसलिए उपलब्ध पाठ से उसके परिमाण और व्यापकता का आकलन नहीं किया जा सकता। यह निष्कर्ष रणनीति डिज़ाइन में करों को शामिल करने का समर्थन करता है, लेकिन यह स्थापित नहीं करता कि वही प्रभाव सभी अधिकार-क्षेत्रों, कर स्थितियों या ट्रेडिंग अवधियों में लागू होगा।

मुख्य विचार

• यह तरीका शेयर ट्रेडिंग के निर्णयों में कर परिणामों को दर्शाने के लिए औसत कर आधार का उपयोग करता है।
• रीइनफ़ोर्समेंट लर्निंग से कर-विचारों के साथ और बिना, दोनों तरह की रणनीतियाँ सीखी जाती हैं।
• रिपोर्ट किए गए नतीजे बताते हैं कि करों को अनदेखा करने से औसत पोर्टफोलियो रिटर्न काफ़ी घट सकता है।
• रिपोर्ट किए गए प्रभाव की व्यापक प्रयोज्यता आँकने के लिए अंश में पर्याप्त विवरण नहीं है।

टैग

# Taxable Stock Trading with Deep Reinforcement Learning


# Taxable Stock Trading with Deep Reinforcement Learning









In this paper, we propose stock trading based on the average tax basis. Recall that when selling stocks, capital gain should be taxed while capital loss can earn certain tax rebate. We learn the optimal trading strategies with and without considering taxes by reinforcement learning. The result shows that tax ignorance could induce more than 62% loss on the average portfolio returns, implying that taxes should be embedded in the environment of continuous stock trading on AI platforms.

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।