Aprendizado por reforço profundo para trading adaptativo de ações

Resumo

O estudo explora o aprendizado por reforço profundo como forma de desenvolver uma estratégia de trading adaptativa para uma carteira de 30 ações. Usa preços diários como dados de treinamento e ambiente de trading; em seguida, compara o agente com o Dow Jones Industrial Average e uma estratégia tradicional de alocação de carteira de variância mínima. Os objetivos declarados são otimizar as decisões de trading e os retornos de investimento.

Os autores relatam que seu agente supera ambas as abordagens de comparação em índice de Sharpe e retornos acumulados. O trecho não especifica as datas de treinamento e avaliação, os custos de transação, as restrições de risco, o desenho da recompensa nem se a avaliação evita viés de antecipação. Também não apresenta resultados numéricos, portanto não é possível avaliar, apenas com essa descrição, a magnitude ou a robustez da vantagem relatada. Os resultados são evidências do experimento proposto, e não prova de que a abordagem se generalize para outras ações ou condições de mercado.

Ideias principais

• Um agente de aprendizado por reforço profundo é treinado para negociar uma cesta de 30 ações usando preços diários.
• A estratégia aprendida busca se adaptar a um mercado de ações complexo e em transformação.
• O estudo compara o agente com o Dow Jones Industrial Average e a alocação de variância mínima.
• Os autores relatam que o agente apresenta índice de Sharpe e retornos acumulados superiores aos de ambas as referências.
• O trecho omite detalhes da avaliação, como custos, datas, desenho da recompensa e desempenho numérico.

Tags

# 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.

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.