적응형 주식 매매를 위한 심층 강화학습
기사 arXiv papers · 저자: Xiao-Yang Liu et al.
요약
이 연구는 주식 30개로 구성된 포트폴리오의 적응형 트레이딩 전략을 개발하기 위해 심층 강화학습을 살펴봅니다. 일별 가격을 학습 데이터이자 트레이딩 환경으로 사용하고, 에이전트를 다우존스 산업평균지수 및 전통적인 최소분산 포트폴리오 배분 전략과 비교합니다. 목표는 트레이딩 의사결정과 투자 수익률을 최적화하는 것입니다.
저자들은 에이전트가 샤프 비율과 누적수익률에서 두 비교 대상보다 높은 성과를 보였다고 보고합니다. 발췌문에는 학습 및 평가 날짜, 거래 비용, 위험 제약, 보상 설계, 평가에서 미래 정보 편향을 피했는지가 명시되어 있지 않습니다. 수치 결과도 없어 이 설명만으로는 보고된 우위의 크기나 견고성을 평가할 수 없습니다. 결과는 제안된 실험의 증거이지, 다른 주식이나 시장 상황에도 접근법이 일반화된다는 증명은 아닙니다.
핵심 아이디어
- 일별 가격을 사용해 심층 강화학습 에이전트를 주식 30개 묶음의 트레이딩에 학습시킵니다.
- 학습된 전략은 복잡하고 변화하는 주식시장에 적응하는 것을 목표로 합니다.
- 에이전트를 다우존스 산업평균지수 및 최소분산 배분과 비교합니다.
- 저자들은 에이전트가 두 기준 전략보다 샤프 비율과 누적수익률이 높다고 보고합니다.
- 발췌문에는 비용, 날짜, 보상 설계, 수치 성과 등 평가 세부 사항이 빠져 있습니다.
태그
전문
# 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.
출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0
이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.