TD3 com Ações Contínuas para Trading de Ações e Bitcoin

Resumo

Este estudo aplica Twin-Delayed Deep Deterministic Policy Gradient (TD3), um método de aprendizado por reforço com ações contínuas, aos preços de fechamento diários das ações da Amazon e do Bitcoin. A ação de trading representa tanto a posição a assumir quanto o número de ações a negociar, ampliando abordagens que usam ações discretas. O artigo compara as estratégias resultantes com métodos de análise técnica, outras abordagens de aprendizado por reforço e estratégias estocásticas e determinísticas.

O desempenho é avaliado pelo retorno e pelo índice de Sharpe. Os resultados relatados sugerem que selecionar tanto a posição quanto o tamanho da negociação pode melhorar o desempenho nessas medidas. O documento não fornece detalhes da avaliação, resultados específicos nem evidências sobre a robustez em outros ativos ou períodos de mercado. Portanto, suas conclusões descrevem os mercados e métodos de comparação estudados, sem demonstrar que o TD3 com ações contínuas terá desempenho melhor em outros contextos.

Ideias principais

• TD3 é usado para gerar ações de trading a partir dos preços de fechamento diários da Amazon e do Bitcoin.
• O espaço de ações representa tanto a posição de trading quanto o número de ações negociadas.
• O estudo compara TD3 com estratégias de análise técnica, aprendizado por reforço, estocásticas e determinísticas.
• Retorno e índice de Sharpe são as medidas de desempenho informadas.
• A comparação relatada favorece combinar a seleção de posição com o dimensionamento da negociação, dentro dos contextos testados pelo estudo.

Tags

# Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning


# Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning









Price movement prediction has always been one of the traders' concerns in financial market trading. In order to increase their profit, they can analyze the historical data and predict the price movement. The large size of the data and complex relations between them lead us to use algorithmic trading and artificial intelligence. This paper aims to offer an approach using Twin-Delayed DDPG (TD3) and the daily close price in order to achieve a trading strategy in the stock and cryptocurrency markets. Unlike previous studies using a discrete action space reinforcement learning algorithm, the TD3 is continuous, offering both position and the number of trading shares. Both the stock (Amazon) and cryptocurrency (Bitcoin) markets are addressed in this research to evaluate the performance of the proposed algorithm. The achieved strategy using the TD3 is compared with some algorithms using technical analysis, reinforcement learning, stochastic, and deterministic strategies through two standard metrics, Return and Sharpe ratio. The results indicate that employing both position and the number of trading shares can improve the performance of a trading system based on the mentioned metrics.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.