Глубокое обучение с подкреплением для торговли на разных рынках

Сводка

В статье оцениваются два метода глубокого обучения с подкреплением для торговли: Double Deep Q-Network и Proximal Policy Optimization. Их результаты сравниваются с ориентиром «купить и держать» на дневных данных за период с 2019 по 2023. Среди рассматриваемых активов — три валютные пары, индекс S&P 500 и Bitcoin.

Согласно результатам, системы обучения с подкреплением могут воздерживаться от сделок в неблагоприятных условиях и показывать более высокую доходность с поправкой на риск, чем классические методы обучения с учителем. Это указывает на то, что способность выбирать моменты вне рынка может помогать управлять рисками и отбирать сделки. В резюме не указаны валютные пары, устройство моделей, транзакционные издержки, процедура валидации или результаты по отдельным активам; численные показатели эффективности также отсутствуют. Поэтому выводы следует считать утверждениями о проверенных в исследовании данных и настройках, а не свидетельством того, что методы будут работать в другие периоды или при реальной торговле.

Ключевые идеи

• В исследовании DDQN и PPO сравниваются с ориентиром «купить и держать».
• Стратегии оцениваются на дневных наблюдениях по валютным парам, фондовому индексу и Bitcoin.
• Указанный период тестирования — с 2019 по 2023.
• Авторы связывают управление рисками этими методами, в частности, с отказом от неблагоприятных сделок.
• В исследовании заявлена более высокая доходность с поправкой на риск, чем у классических методов обучения с учителем.

Теги

# Can Artificial Intelligence Trade the Stock Market?


# Can Artificial Intelligence Trade the Stock Market?









The paper explores the use of Deep Reinforcement Learning (DRL) in stock market trading, focusing on two algorithms: Double Deep Q-Network (DDQN) and Proximal Policy Optimization (PPO) and compares them with Buy and Hold benchmark. It evaluates these algorithms across three currency pairs, the S&P 500 index and Bitcoin, on the daily data in the period of 2019-2023. The results demonstrate DRL's effectiveness in trading and its ability to manage risk by strategically avoiding trades in unfavorable conditions, providing a substantial edge over classical approaches, based on supervised learning in terms of risk-adjusted 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.