Торговля на основе Deep Q-Network, обученной на синтетических рыночных траекториях

Сводка

В статье представлена Trading Deep Q-Network (TDQN) — подход глубокого обучения с подкреплением для выбора позиций на фондовом рынке во времени. Метод DQN адаптирован к торговле, а в качестве показателя эффективности, который стремится максимизировать стратегия, выбран коэффициент Шарпа. Заявленная цель — находить подходящие позиции в ходе торговли, а не просто применять неизменённый алгоритм обучения с подкреплением общего назначения.

Агент обучается на искусственных траекториях, сгенерированных на основе ограниченного набора исторических данных по акциям. В статье также предложен более строгий метод оценки торговых стратегий; по этой оценке авторы сообщают о многообещающих результатах TDQN. В описании не указаны рынки, подробности набора данных, эталонные стратегии, численные результаты или процедуры оценки, поэтому по одному этому тексту нельзя судить о заявленных результатах или их обобщаемости. Синтетические траектории и ограниченные исторические данные — ключевые особенности подхода, но их построение и последствия здесь не объяснены.

Ключевые идеи

• TDQN адаптирует глубокое Q-обучение для выбора торговых позиций на фондовых рынках.
• Стратегия разработана для максимизации коэффициента Шарпа.
• Для обучения используются искусственные траектории, созданные на основе ограниченного набора исторических данных.
• В статье предложен более строгий метод оценки эффективности и сообщается о многообещающих результатах.
• В доступном описании нет подробностей реализации и численных данных, необходимых для оценки устойчивости результатов.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.