コンテンツへスキップ
ライブラリの全資料

平均回帰取引への深層強化学習の適用

記事 arXiv papers · 著者: Sophia Gu
原文を読む

サマリー

この文書では、平均回帰取引の問題に深層強化学習を適用する方法を説明しています。多くの手法から選んだり、古典的な基礎からエージェントを構築したりする必要がある実務者に向けて、近年の強化学習手法を利用しやすくすることを目指しています。提案された実演では、もともと戦略ゲーム向けに開発された強化学習ライブラリを使い、金融上の意思決定に適用しています。

この枠組みには、経済的な根拠に基づく関数の性質も取り入れ、収束性と高い性能を備えた解を得ることを目指しています。しかし、具体的なモデル構成、報酬設計、取引ルール、データ、ベンチマーク、数値結果は示されていません。そのため、収益性、頑健性、他手法に対する性能を評価できるだけの証拠ではなく、アプローチとその動機を概説するものです。収束性と性能に関する主張も、この抜粋では裏付けとなる実験の詳細が示されていません。

主なアイデア

  • 平均回帰取引に深層強化学習を適用しています。
  • 戦略ゲーム向けに開発されたライブラリを、取引の問題で使う方法を実演しています。
  • 学習手法に、経済的な根拠に基づく関数の性質を取り入れています。
  • 収束性と高い性能を備えた解を主張していますが、ここでは実験の詳細や結果が示されていません。
  • 提示された情報だけでは収益性や頑健性を評価できません。

タグ

機械学習平均回帰暗号資産バックテスト
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。