コンテンツへスキップ
ライブラリの全資料

深層決定論的方策勾配によるポートフォリオ最適化

記事 arXiv papers · 著者: Ayman Chaouki et al.
原文を読む

サマリー

この研究は、簡潔に説明できる一方で数学的には難しい環境において、深層強化学習が最適なトレード戦略を再現できるかを検証します。環境との相互作用を通じて行動選択の方策を学習する手法、深層決定論的方策勾配に焦点を当てています。最適戦略またはその近似がすでに分かっている設定を選び、学習された行動や報酬を参照解と比較できるようにしています。

報告された結果では、エージェントは既知の戦略の重要な特徴を再現し、最適値に近い報酬を得ています。これは、検証対象の環境でアルゴリズムがソルバーとして機能し得る証拠となります。抜粋には具体的な市場モデル、ポートフォリオ制約、学習手順、評価指標が記されていません。そのため結論は選ばれた制御環境に限られ、ノイズの多い実市場、取引コストがある状況、最適方策が未知の状況でのパフォーマンスを立証していません。

主なアイデア

  • この研究は、トレード戦略のソルバーとして深層強化学習を評価します。
  • 数学的には複雑でも概念的には簡潔な環境で、深層決定論的方策勾配を用います。
  • 検証環境では、比較のため最適戦略またはその近似が分かっています。
  • 報告されたエージェントは戦略の重要な特徴を再現し、最適に近い報酬を達成します。
  • 抜粋は、実運用の市場摩擦や最適方策が未知の場合のパフォーマンスを立証していません。

タグ

機械学習ポートフォリオ構築統計バックテスト
全文
# Deep Deterministic Portfolio Optimization


# Deep Deterministic Portfolio Optimization









Can deep reinforcement learning algorithms be exploited as solvers for optimal trading strategies? The aim of this work is to test reinforcement learning algorithms on conceptually simple, but mathematically non-trivial, trading environments. The environments are chosen such that an optimal or close-to-optimal trading strategy is known. We study the deep deterministic policy gradient algorithm and show that such a reinforcement learning agent can successfully recover the essential features of the optimal trading strategies and achieve close-to-optimal rewards.

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。