مصنوعی مارکیٹ راستوں پر تربیت یافتہ ڈیپ کیو نیٹ ورک ٹریڈنگ

خلاصہ

مقالہ ٹریڈنگ ڈیپ کیو نیٹ ورک (TDQN) متعارف کراتا ہے، جو وقت کے ساتھ اسٹاک مارکیٹ کی پوزیشنیں چننے کے لیے ڈیپ رینفورسمنٹ لرننگ کا طریقہ ہے۔ یہ DQN طریقے کو ٹریڈنگ کے لیے ڈھالتا اور شارپ ریشو کو وہ کارکردگی پیمانہ بناتا ہے جسے اسٹریٹیجی زیادہ سے زیادہ کرنے کی کوشش کرتی ہے۔ بیان کردہ مقصد ٹریڈنگ کے دوران موزوں پوزیشنیں تلاش کرنا ہے، نہ کہ عمومی مقصد کے رینفورسمنٹ لرننگ الگورتھم کو جوں کا توں لاگو کرنا۔

ایجنٹ کو محدود تاریخی اسٹاک ڈیٹا سے بنائے گئے مصنوعی راستوں پر تربیت دی جاتی ہے۔ مقالہ ٹریڈنگ اسٹریٹیجیز کے جائزے کا زیادہ سخت طریقہ بھی تجویز کرتا ہے اور اس جانچ کے تحت امید افزا TDQN نتائج بتاتا ہے۔ فراہم کردہ تفصیل مارکیٹس، ڈیٹا سیٹ، تقابلی اسٹریٹیجیز، عددی نتائج یا جائزے کے طریقۂ کار کی وضاحت نہیں کرتی، اس لیے صرف اس متن سے رپورٹ کردہ کارکردگی یا اس کی عمومیت کا فیصلہ ممکن نہیں۔ مصنوعی راستے اور محدود تاریخی ڈیٹا اس طریقے کے بنیادی اجزا ہیں، مگر ان کی تشکیل اور اثرات یہاں واضح نہیں کیے گئے۔

اہم خیالات

• TDQN اسٹاک مارکیٹس میں ٹریڈنگ پوزیشنیں منتخب کرنے کے لیے ڈیپ کیو لرننگ کو ڈھالتا ہے۔
• اسٹریٹیجی شارپ ریشو کی کارکردگی زیادہ سے زیادہ کرنے کے لیے بنائی گئی ہے۔
• تربیت محدود تاریخی ڈیٹا سیٹ سے بنائے گئے مصنوعی راستے استعمال کرتی ہے۔
• مقالہ کارکردگی کے جائزے کا زیادہ سخت طریقہ تجویز کرتا اور امید افزا نتائج بتاتا ہے۔
• دستیاب تفصیل میں مضبوطی جانچنے کے لیے نفاذ کی تفصیلات اور عددی شواہد موجود نہیں۔

ٹیگز

# 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.

ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0

یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔