株式の適応型トレードに向けた深層強化学習
記事 arXiv papers · 著者: Xiao-Yang Liu et al.
サマリー
この研究では、30銘柄のポートフォリオを対象に、適応型のトレード戦略を開発する方法として深層強化学習を検討しています。日次価格を学習データと取引環境に用い、エージェントをダウ・ジョーンズ工業株平均および従来型の最小分散ポートフォリオ配分戦略と比較します。明示された目的は、売買判断と投資リターンを最適化することです。
著者らは、シャープレシオと累積リターンの両方で、エージェントが比較対象を上回ったと報告しています。抜粋には、学習期間と評価期間、取引コスト、リスク制約、報酬設計、評価で先読みバイアスを避けているかが示されていません。数値結果もないため、この説明だけでは報告された優位性の大きさや頑健性を評価できません。この知見は提案された実験の証拠であり、他の銘柄や市場環境にも手法が一般化することの証明ではありません。
主なアイデア
- 深層強化学習エージェントは、日次価格を使い、30銘柄のバスケットを取引するよう学習します。
- 学習した戦略は、複雑で変化する株式市場に適応することを目指しています。
- この研究では、エージェントをダウ・ジョーンズ工業株平均および最小分散配分と比較します。
- 著者らは、両方の比較対象よりもエージェントのシャープレシオと累積リターンが高いと報告しています。
- 抜粋には、コスト、期間、報酬設計、数値性能などの評価詳細がありません。
タグ
全文
# Practical Deep Reinforcement Learning Approach for Stock Trading # Practical Deep Reinforcement Learning Approach for Stock Trading Stock trading strategy plays a crucial role in investment companies. However, it is challenging to obtain optimal strategy in the complex and dynamic stock market. We explore the potential of deep reinforcement learning to optimize stock trading strategy and thus maximize investment return. 30 stocks are selected as our trading stocks and their daily prices are used as the training and trading market environment. We train a deep reinforcement learning agent and obtain an adaptive trading strategy. The agent's performance is evaluated and compared with Dow Jones Industrial Average and the traditional min-variance portfolio allocation strategy. The proposed deep reinforcement learning approach is shown to outperform the two baselines in terms of both the Sharpe ratio and cumulative returns.
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。