Глубокое обучение с подкреплением для адаптивной торговли акциями

Сводка

В исследовании рассматривается глубокое обучение с подкреплением как способ создания адаптивной торговой стратегии для портфеля из 30 акций. Ежедневные цены используются как обучающие данные и среда торговли; затем агент сравнивается с Dow Jones Industrial Average и традиционной стратегией распределения портфеля с минимальной дисперсией. Заявленные цели — оптимизировать торговые решения и доходность инвестиций.

Авторы сообщают, что их агент превосходит оба сравниваемых подхода по коэффициенту Шарпа и совокупной доходности. В отрывке не указаны даты обучения и оценки, транзакционные издержки, ограничения по риску, устройство функции вознаграждения и то, исключена ли при оценке ошибка заглядывания в будущее. Численные результаты также не приведены, поэтому по одному этому описанию нельзя оценить величину или устойчивость заявленного преимущества. Результаты свидетельствуют в пользу предложенного эксперимента, но не доказывают, что подход применим к другим акциям или рыночным условиям.

Ключевые идеи

• Агент глубокого обучения с подкреплением обучается торговать корзиной из 30 акций, используя ежедневные цены.
• Предполагается, что обученная стратегия адаптируется к сложному и меняющемуся рынку акций.
• В исследовании агент сравнивается с Dow Jones Industrial Average и распределением с минимальной дисперсией.
• Авторы сообщают, что агент превосходит обе базовые стратегии по коэффициенту Шарпа и совокупной доходности.
• В отрывке не хватает подробностей об оценке: издержках, датах, функции вознаграждения и численных результатах.

Теги

# 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.

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.