合成市場系列で学習するDeep Q-Network取引
記事 arXiv papers · 著者: Thibaut Théate et al.
サマリー
この論文は、株式市場で時間とともにポジションを選択する深層強化学習手法、Trading Deep Q-Network（TDQN）を紹介します。DQN手法を取引に応用し、戦略が最大化を目指す成績指標としてシャープレシオを設定しています。目的は、汎用の強化学習アルゴリズムをそのまま適用することではなく、取引中に適切なポジションを見つけることです。
エージェントは、限られた過去の株価データから生成した人工的な系列を使って学習します。論文はトレード戦略をより厳密に評価する方法も提案し、その評価でTDQNが有望な結果を示したと報告しています。提供された説明には市場、データセットの詳細、ベンチマーク戦略、数値結果、評価手順が示されていないため、この文章だけでは報告された成績や一般化可能性を判断できません。合成系列と限られた過去データは手法の中心的な特徴ですが、その生成方法や意味合いはここでは説明されていません。
主なアイデア
- TDQNは、深層Q学習を株式市場での売買ポジション選択に応用します。
- 戦略はシャープレシオの最大化を目指して設計されています。
- 限られた過去データから生成した人工系列を学習に使います。
- 論文はより厳密な成績評価法を提案し、有望な結果を報告しています。
- 利用可能な説明には、頑健性を評価するための実装詳細や数値的根拠がありません。
タグ
全文
# An Application of Deep Reinforcement Learning to Algorithmic Trading # An Application of Deep Reinforcement Learning to Algorithmic Trading This scientific research paper presents an innovative approach based on deep reinforcement learning (DRL) to solve the algorithmic trading problem of determining the optimal trading position at any point in time during a trading activity in stock markets. It proposes a novel DRL trading strategy so as to maximise the resulting Sharpe ratio performance indicator on a broad range of stock markets. Denominated the Trading Deep Q-Network algorithm (TDQN), this new trading strategy is inspired from the popular DQN algorithm and significantly adapted to the specific algorithmic trading problem at hand. The training of the resulting reinforcement learning (RL) agent is entirely based on the generation of artificial trajectories from a limited set of stock market historical data. In order to objectively assess the performance of trading strategies, the research paper also proposes a novel, more rigorous performance assessment methodology. Following this new performance assessment approach, promising results are reported for the TDQN strategy.
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。