コンテンツへスキップ
ライブラリの全資料

市場横断取引における深層強化学習

記事 arXiv papers · 著者: Jędrzej Maskiewicz et al.
原文を読む

サマリー

この論文は、取引における2つの深層強化学習手法、Double Deep Q-NetworkとProximal Policy Optimizationを評価しています。2019から2023までの日次データを使い、パフォーマンスをバイ・アンド・ホールドのベンチマークと比較しています。対象資産には3つの通貨ペア、S&P 500指数、ビットコインが含まれます。

報告された結果によると、強化学習システムは不利な状況での取引を避け、従来の教師あり学習手法よりも優れたリスク調整後リターンを達成できます。市場に参加しないタイミングを選べる方策は、取引対象の選択だけでなくリスク管理にも役立つ可能性が示唆されます。この要約では、通貨ペア、モデル設計、取引コスト、検証手順、資産ごとの結果は特定されておらず、数値によるパフォーマンス指標も示されていません。したがって、結果は研究で検証されたデータと設定についての主張として読むべきであり、手法が別の期間や実取引にも一般化する証拠ではありません。

主なアイデア

  • DDQNとPPOをバイ・アンド・ホールドのベンチマークと比較しています。
  • 通貨ペア、株価指数、ビットコインの日次データで戦略を評価しています。
  • 報告された検証期間は2019から2023までです。
  • 著者らは、不利な取引を避けることが手法のリスク管理に寄与するとしています。
  • 研究では、報告されたリスク調整後リターンが従来の教師あり学習手法を上回っています。

タグ

機械学習株式外国為替暗号資産リスク管理
全文
# Can Artificial Intelligence Trade the Stock Market?


# Can Artificial Intelligence Trade the Stock Market?









The paper explores the use of Deep Reinforcement Learning (DRL) in stock market trading, focusing on two algorithms: Double Deep Q-Network (DDQN) and Proximal Policy Optimization (PPO) and compares them with Buy and Hold benchmark. It evaluates these algorithms across three currency pairs, the S&P 500 index and Bitcoin, on the daily data in the period of 2019-2023. The results demonstrate DRL's effectiveness in trading and its ability to manage risk by strategically avoiding trades in unfavorable conditions, providing a substantial edge over classical approaches, based on supervised learning in terms of risk-adjusted 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。