본문으로 건너뛰기
라이브러리 문서 전체

합성 시장 경로로 학습한 심층 Q 네트워크 트레이딩

기사 arXiv papers · 저자: Thibaut Théate et al.
원문 읽기

요약

이 논문은 주식 시장에서 시간에 따라 포지션을 선택하는 심층 강화학습 방식인 트레이딩 심층 Q 네트워크(TDQN)를 소개합니다. DQN 방식을 트레이딩에 맞게 조정하고, 전략이 최대화하려는 성과 척도로 샤프 비율을 설정합니다. 설명된 목표는 범용 강화학습 알고리즘을 수정 없이 적용하는 것이 아니라 트레이딩 중 적절한 포지션을 찾는 것입니다.

제한된 과거 주식 데이터에서 생성한 인공 경로를 사용해 에이전트를 학습합니다. 이 논문은 트레이딩 전략을 더 엄밀하게 평가하는 방법도 제안하고, 그 평가에서 TDQN이 유망한 결과를 보였다고 보고합니다. 제공된 설명에는 시장, 데이터 세부 사항, 벤치마크 전략, 수치 결과 또는 평가 절차가 명시되지 않아 이 내용만으로는 보고된 성과나 일반화 가능성을 판단할 수 없습니다. 합성 경로와 제한된 과거 데이터는 접근법의 핵심 요소지만, 그 생성 방식과 영향은 여기서 설명하지 않습니다.

핵심 아이디어

  • TDQN은 심층 Q 학습을 주식 시장의 트레이딩 포지션 선택에 적용합니다.
  • 이 전략은 샤프 비율 성과를 최대화하도록 설계되었습니다.
  • 제한된 과거 데이터에서 생성한 인공 경로로 학습합니다.
  • 논문은 더 엄밀한 성과 평가 방법을 제안하고 유망한 결과를 보고합니다.
  • 제공된 설명에는 견고성을 평가하는 데 필요한 구현 세부 사항과 수치 근거가 빠져 있습니다.

태그

주식머신러닝통계백테스트리스크 관리
전문
# 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.

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

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