موافق ایکویٹی ٹریڈنگ کے لیے کثیر اشاریہ A2C

مضمون arXiv papers · مصنف: Jingfeng Pan et al.

خلاصہ

دستاویز QTMRL پیش کرتی ہے، ایک ری اِنفورسمنٹ لرننگ ایجنٹ جو تکنیکی اشاریوں کے ذریعے ایکویٹی ٹریڈنگ کے فیصلے کرتا ہے۔ اس کا اِن پٹ ڈیٹا سیٹ مختلف شعبوں کے نمائندہ S&P 500 اسٹاکس کی روزانہ قیمت اور حجم کی معلومات کو ان خصوصیات کے ساتھ ملاتا ہے جو رجحان، اتار چڑھاؤ اور مومینٹم ظاہر کرنے کے لیے بنائی گئی ہیں۔ ایڈوانٹیج ایکٹر کریٹک فریم ورک ڈیٹا پراسیسنگ، پالیسی لرننگ اور ٹریڈنگ اعمال کو جوڑتا ہے، تاکہ مارکیٹ کی حالت بدلنے پر فیصلے ڈھل سکیں۔

مقالہ مختلف مارکیٹ ادوار میں شماریاتی، نیورل نیٹ ورک اور موونگ ایوریج بنیادی طریقوں سے موازنوں کی اطلاع دیتا ہے، اور منافع بخشی، رسک کے مطابق کارکردگی اور منفی پہلو پر قابو پانے میں برتری کا دعویٰ کرتا ہے۔ تفصیل میں پیمانوں کی قدریں، تجربات کے طریقۂ کار، لین دین کی لاگت کے مفروضے یا بیان کردہ نمونے سے آگے کی کارکردگی کے شواہد نہیں۔ ڈیٹا سیٹ طویل تاریخی مدت پر محیط ہے، مگر ان اسٹاکس اور تاریخوں کے نتائج دوسرے اثاثوں یا لائیو ٹریڈنگ پر لاگو ہوں، یہ ضروری نہیں۔ اس لیے خلاصہ نظام کے ڈیزائن کو سمجھنے میں مدد دیتا ہے، مگر اس کی مضبوطی اور قابلِ نفاذ ہونے کے بارے میں سوال کھلے رہتے ہیں۔

اہم خیالات

ایجنٹ رجحان، اتار چڑھاؤ اور مومینٹم اشاریوں کو ری اِنفورسمنٹ لرننگ کے ساتھ ملاتا ہے۔
اس کی پالیسی ٹریڈنگ کے اعمال منتخب کرنے کے لیے ایڈوانٹیج ایکٹر کریٹک فریم ورک استعمال کرتی ہے۔
اِن پٹ ڈیٹا مختلف شعبوں کے منتخب S&P 500 اسٹاکس کے روزانہ مشاہدات پر مشتمل ہے۔
مقالہ نظام کا موازنہ شماریاتی، نیورل اور موونگ ایوریج بنیادی طریقوں سے کرتا ہے۔
بیان میں کارکردگی کے دعووں کے ساتھ عددی نتائج اور لائیو ٹریڈنگ کے شواہد نہیں دیے گئے۔

ٹیگز

حصص تکنیکی اشارے مشین لرننگ رسک مینجمنٹ بیک ٹیسٹنگ

مکمل متن

# 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

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۔