본문으로 건너뛰기
라이브러리 문서 전체

적응형 주식 트레이딩을 위한 다중 지표 A2C

기사 arXiv papers · 저자: Jingfeng Pan et al.
원문 읽기

요약

이 문서는 기술 지표를 사용해 주식 트레이딩 의사결정을 내리도록 설계된 강화학습 에이전트 QTMRL을 소개합니다. 입력 데이터셋은 여러 업종을 대표하는 S&P 500 종목의 일별 가격 및 거래량 데이터와 추세, 변동성, 모멘텀을 포착하도록 설계된 특성을 결합합니다. 어드밴티지 액터 크리틱 프레임워크가 데이터 처리, 정책 학습, 트레이딩 행동을 연결해 시장 상황 변화에 따라 의사결정을 조정하는 것을 목표로 합니다.

논문은 서로 다른 시장 국면에서 통계, 신경망, 이동평균 기준선과 비교한 결과를 보고하며 수익성, 위험 조정 성과, 하방 통제에서 이점이 있다고 주장합니다. 설명에는 지표 값, 상세한 실험 절차, 거래 비용 가정 또는 명시된 표본을 넘어서는 성과 근거가 없습니다. 데이터셋은 긴 과거 기간을 포괄하지만, 해당 종목과 날짜의 결과가 다른 자산이나 실거래에도 일반화된다고 볼 수는 없습니다. 따라서 이 요약은 시스템 설계를 살펴보는 데 도움이 되지만, 견고성과 실제 적용 가능성은 분명하지 않습니다.

핵심 아이디어

  • 에이전트는 추세, 변동성, 모멘텀 지표를 강화학습과 결합합니다.
  • 정책은 어드밴티지 액터 크리틱 프레임워크를 사용해 트레이딩 행동을 선택합니다.
  • 입력 데이터는 여러 업종에서 선정한 S&P 500 종목의 일별 관측값을 포함합니다.
  • 논문은 시스템을 통계, 신경망, 이동평균 기준선과 비교합니다.
  • 설명에는 성과 주장을 뒷받침할 정량적 결과와 실거래 근거가 없습니다.

태그

주식기술 지표머신러닝리스크 관리백테스트
전문
# QTMRL: An Agent for Quantitative Trading Decision-Making Based on Multi-Indicator Guided Reinforcement Learning


# QTMRL: An Agent for Quantitative Trading Decision-Making Based on Multi-Indicator Guided Reinforcement Learning









In the highly volatile and uncertain global financial markets, traditional quantitative trading models relying on statistical modeling or empirical rules often fail to adapt to dynamic market changes and black swan events due to rigid assumptions and limited generalization. To address these issues, this paper proposes QTMRL (Quantitative Trading Multi-Indicator Reinforcement Learning), an intelligent trading agent combining multi-dimensional technical indicators with reinforcement learning (RL) for adaptive and stable portfolio management. We first construct a comprehensive multi-indicator dataset using 23 years of S&P 500 daily OHLCV data (2000-2022) for 16 representative stocks across 5 sectors, enriching raw data with trend, volatility, and momentum indicators to capture holistic market dynamics. Then we design a lightweight RL framework based on the Advantage Actor-Critic (A2C) algorithm, including data processing, A2C algorithm, and trading agent modules to support policy learning and actionable trading decisions. Extensive experiments compare QTMRL with 9 baselines (e.g., ARIMA, LSTM, moving average strategies) across diverse market regimes, verifying its superiority in profitability, risk adjustment, and downside risk control. The code of QTMRL is publicly available at https://github.com/ChenJiahaoJNU/QTMRL.git

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

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