Многоиндикаторный A2C для адаптивной торговли акциями

Сводка

В документе представлен QTMRL — агент обучения с подкреплением, который принимает решения о торговле акциями на основе технических индикаторов. Его набор входных данных объединяет дневные цены и объёмы репрезентативных акций S&P 500 из разных секторов с признаками тренда, волатильности и моментума. Архитектура Advantage Actor-Critic связывает обработку данных, обучение политики и торговые действия, стремясь адаптировать решения к меняющимся рыночным условиям.

В статье приводятся сравнения со статистическими моделями, нейросетями и скользящими средними в разных рыночных режимах; заявлены преимущества по прибыльности, доходности с поправкой на риск и контролю риска убытков и просадки. В описании нет значений метрик, подробностей эксперимента, допущений о транзакционных издержках или данных о результатах за пределами указанной выборки. Набор данных охватывает длительный исторический период, но результаты для этих акций и дат могут не переноситься на другие активы или реальную торговлю. Краткое описание помогает понять устройство системы, но не проясняет её устойчивость и возможность практического применения.

Ключевые идеи

• Агент сочетает индикаторы тренда, волатильности и моментума с обучением с подкреплением.
• Для выбора торговых действий используется архитектура Advantage Actor-Critic.
• Входные данные охватывают дневные наблюдения по выбранным акциям S&P 500 из нескольких секторов.
• В статье система сравнивается со статистическими моделями, нейросетями и скользящими средними.
• В описании заявлены преимущества по результатам, но нет численных данных и свидетельств эффективности в реальной торговле.

Теги

# 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

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.