Trading com Deep Q-Network treinada em trajetórias sintéticas de mercado

Resumo

O artigo apresenta Trading Deep Q-Network (TDQN), uma abordagem de aprendizado por reforço profundo para escolher posições no mercado de ações ao longo do tempo. Adapta o método DQN ao trading e define o índice de Sharpe como a medida de desempenho que a estratégia busca maximizar. O objetivo descrito é encontrar posições adequadas durante o trading, em vez de simplesmente aplicar sem alterações um algoritmo geral de aprendizado por reforço.

O agente é treinado com trajetórias artificiais geradas a partir de um conjunto limitado de dados históricos de ações. O artigo também propõe um método mais rigoroso para avaliar estratégias de trading e relata resultados promissores de TDQN nessa avaliação. A descrição fornecida não especifica os mercados, os detalhes dos conjuntos de dados, as estratégias de referência, os resultados numéricos nem os procedimentos de avaliação; portanto, não é possível julgar o desempenho relatado ou sua generalização com base apenas neste texto. Trajetórias sintéticas e dados históricos limitados são características centrais da abordagem, mas sua construção e implicações não são explicadas aqui.

Ideias principais

• TDQN adapta o aprendizado profundo por Q à escolha de posições de trading em mercados de ações.
• A estratégia foi projetada para maximizar o desempenho medido pelo índice de Sharpe.
• O treinamento usa trajetórias artificiais geradas a partir de um conjunto limitado de dados históricos.
• O artigo propõe um método mais rigoroso para avaliar o desempenho e relata resultados promissores.
• A descrição disponível omite detalhes de implementação e evidências numéricas necessárias para avaliar a robustez.

Tags

# 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.

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.