포트폴리오 최적화를 위한 심층 결정론적 정책 경사법

요약

이 연구는 간단히 설명할 수 있지만 수학적으로 어려운 환경에서 심층 강화학습이 최적 트레이딩 전략을 찾아낼 수 있는지 테스트합니다. 저자들은 환경과 상호작용하며 행동 선택 정책을 학습하는 심층 결정론적 정책 경사법에 초점을 둡니다. 최적 전략이나 그 근사치를 이미 알고 있는 설정을 골라 학습된 행동과 보상을 기준 해답과 비교할 수 있게 합니다.

보고된 결과에 따르면 에이전트는 알려진 전략의 핵심 특징을 찾아내고 최적에 가까운 보상을 얻습니다. 이는 테스트한 환경에서 알고리즘이 해법 탐색기로 작동할 수 있다는 증거입니다. 발췌문은 구체적인 시장 모형, 포트폴리오 제약, 학습 절차 또는 평가 지표를 밝히지 않습니다. 따라서 결론은 선택된 통제 환경에 한정되며, 노이즈가 있는 실거래 시장이나 거래 비용이 있는 환경, 최적 정책을 모르는 경우의 성과를 입증하지 않습니다.

핵심 아이디어

• 이 연구는 트레이딩 전략의 해법 탐색기로서 심층 강화학습을 평가합니다.
• 수학적으로 복잡하지만 개념적으로 간단한 환경에서 심층 결정론적 정책 경사법을 사용합니다.
• 테스트 환경에서는 비교를 위한 최적 전략을 알고 있거나 근사적으로 알고 있습니다.
• 보고된 에이전트는 전략의 핵심 특징을 찾아내고 최적에 가까운 보상을 얻습니다.
• 발췌문은 실거래 마찰이나 최적 정책을 알 수 없는 상황의 성과를 입증하지 않습니다.

태그

# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.