مختلف منڈیوں میں ٹریڈنگ کے لیے گہری تقویتی تعلیم
خلاصہ
یہ مقالہ ٹریڈنگ کے لیے گہری تقویتی تعلیم کے دو طریقوں، Double Deep Q-Network اور Proximal Policy Optimization، کا جائزہ لیتا ہے۔ ان کی کارکردگی کا موازنہ 2019 سے 2023 کے روزانہ ڈیٹا پر خرید کر رکھنے کے معیار سے کیا گیا ہے۔ بیان کردہ اثاثوں میں کرنسی کے تین جوڑے، S&P 500 انڈیکس اور Bitcoin شامل ہیں۔
بیان کردہ نتائج کے مطابق تقویتی تعلیم کے نظام ناموافق حالات میں ٹریڈ سے گریز کر سکتے ہیں اور کلاسیکی زیرِ نگرانی مشین لرننگ کے طریقوں سے بہتر خطرے کے لحاظ سے تعدیل شدہ منافع حاصل کر سکتے ہیں۔ اس سے اشارہ ملتا ہے کہ مارکیٹ سے باہر رہنے کا وقت چننے والی پالیسی خطرے کے انتظام اور ٹریڈ کے انتخاب، دونوں میں مدد دے سکتی ہے۔ خلاصے میں کرنسی کے جوڑوں، ماڈل کے ڈیزائن، لین دین کے اخراجات، توثیق کے طریقۂ کار یا انفرادی اثاثوں کے نتائج کی وضاحت نہیں، اور کارکردگی کے عددی پیمانے بھی نہیں دیے گئے۔ لہٰذا نتائج کو مطالعے کے آزمودہ ڈیٹا اور ترتیب سے متعلق دعووں کے طور پر سمجھیں، دوسرے ادوار یا لائیو ٹریڈنگ میں ان طریقوں کی کامیابی کے ثبوت کے طور پر نہیں۔
اہم خیالات
- مطالعہ DDQN اور PPO کا موازنہ خرید کر رکھنے کے معیار سے کرتا ہے۔
- اس میں کرنسی کے جوڑوں، ایک حصص اشاریے اور Bitcoin کے روزانہ مشاہدات پر اسٹریٹیجیاں آزمائی گئی ہیں۔
- مصنفین کے مطابق آزمائش کا عرصہ 2019 سے 2023 تک ہے۔
- مصنفین خطرے کے انتظام کے ایک حصے کو ناموافق ٹریڈز سے گریز کرنے سے جوڑتے ہیں۔
- مطالعے میں رپورٹ کردہ خطرے کے لحاظ سے تعدیل شدہ منافع کلاسیکی زیرِ نگرانی مشین لرننگ کے طریقوں سے زیادہ ہے۔
ٹیگز
مکمل متن
# 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.
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۔