A2C com múltiplos indicadores para trading adaptativo de ações

Resumo

O documento apresenta QTMRL, um agente de aprendizado por reforço projetado para tomar decisões de trading de ações usando indicadores técnicos. Seu conjunto de dados de entrada combina dados diários de preços e volumes de ações representativas do S&P 500, de vários setores, com características destinadas a capturar tendências, volatilidade e momentum. Uma estrutura Advantage Actor-Critic conecta o processamento de dados, o aprendizado de políticas e as ações de trading, buscando adaptar as decisões conforme as condições de mercado mudam.

O artigo relata comparações com referências estatísticas, de redes neurais e de médias móveis em diferentes regimes de mercado, e afirma vantagens em lucratividade, desempenho ajustado ao risco e controle do risco de queda. A descrição não fornece valores das métricas, procedimentos experimentais detalhados, premissas sobre custos de transação nem evidências de desempenho além da amostra declarada. O conjunto de dados abrange um longo período histórico, mas os resultados dessas ações e datas podem não se generalizar para outros ativos ou para a negociação em mercado real. Portanto, o resumo ajuda a compreender o desenho do sistema, mas deixa sua robustez e aplicabilidade pouco claras.

Ideias principais

• O agente combina indicadores de tendência, volatilidade e momentum com aprendizado por reforço.
• Sua política usa uma estrutura Advantage Actor-Critic para selecionar ações de trading.
• Os dados de entrada abrangem observações diárias de ações selecionadas do S&P 500, de vários setores.
• O artigo compara o sistema com referências estatísticas, neurais e de médias móveis.
• As afirmações de desempenho relatadas não incluem resultados numéricos nem evidências de trading ao vivo na descrição.

Tags

# 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

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.