시장별 트레이딩을 위한 심층 강화학습

요약

이 논문은 트레이딩에 Double Deep Q-Network와 Proximal Policy Optimization이라는 두 가지 심층 강화학습 방법을 평가합니다. 2019부터 2023까지의 일별 데이터로 성과를 매수 후 보유 벤치마크와 비교합니다. 분석 대상 자산에는 세 가지 통화쌍, S&P 500 지수, 비트코인이 포함됩니다.

보고된 결과에 따르면 강화학습 시스템은 불리한 상황에서 거래를 피하고 고전적인 지도학습 방식보다 위험 조정 수익률을 높일 수 있습니다. 시장에 진입하지 않을 시점을 선택하는 정책은 거래 선택뿐 아니라 리스크 관리에도 기여할 수 있음을 시사합니다. 요약에는 통화쌍, 모형 설계, 거래 비용, 검증 절차 또는 개별 자산별 결과가 명시되지 않았으며, 수치로 된 성과 측정치도 없습니다. 따라서 이 결과는 연구에서 시험한 데이터와 설정에 관한 주장으로 읽어야 하며, 다른 기간이나 실거래에서도 방법이 일반화된다는 증거로 보아서는 안 됩니다.

핵심 아이디어

• 이 연구는 DDQN와 PPO의 성과를 매수 후 보유 벤치마크와 비교합니다.
• 통화쌍, 주가지수, 비트코인의 일별 관측치를 대상으로 전략을 평가합니다.
• 저자들이 보고한 시험 기간은 2019부터 2023까지입니다.
• 저자들은 불리한 거래를 피하는 것이 이 방법의 리스크 관리에 일부 기여한다고 설명합니다.
• 연구에서 보고된 위험 조정 수익률은 고전적인 지도학습 방식보다 높습니다.

태그

# 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.

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

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