TD3 với hành động liên tục để giao dịch cổ phiếu và Bitcoin

Tóm tắt

Nghiên cứu áp dụng Twin-Delayed Deep Deterministic Policy Gradient (TD3), một phương pháp học tăng cường với hành động liên tục, vào giá đóng cửa hằng ngày của cổ phiếu Amazon và Bitcoin. Hành động giao dịch biểu diễn cả vị thế cần nắm giữ lẫn số cổ phiếu cần giao dịch, mở rộng các phương pháp sử dụng hành động rời rạc. Bài báo so sánh các chiến lược thu được với phương pháp phân tích kỹ thuật, các phương pháp học tăng cường khác, cùng chiến lược ngẫu nhiên và tất định.

Hiệu quả được đánh giá bằng lợi nhuận và Sharpe ratio. Kết quả được báo cáo gợi ý rằng lựa chọn cả vị thế lẫn quy mô giao dịch có thể cải thiện các thước đo đó. Tài liệu không nêu chi tiết đánh giá, kết quả cụ thể hoặc bằng chứng về độ vững trên tài sản hay giai đoạn thị trường khác. Vì vậy, kết luận mô tả các thị trường và phương pháp so sánh đã nghiên cứu, chứ không xác lập rằng TD3 với hành động liên tục sẽ hoạt động tốt hơn trong bối cảnh khác.

Ý chính

• TD3 được dùng để tạo hành động giao dịch từ giá đóng cửa hằng ngày của Amazon và Bitcoin.
• Không gian hành động biểu diễn cả vị thế giao dịch lẫn số lượng cổ phiếu được giao dịch.
• Nghiên cứu so sánh TD3 với các chiến lược phân tích kỹ thuật, học tăng cường, ngẫu nhiên và tất định.
• Lợi nhuận và Sharpe ratio là các thước đo hiệu quả được nêu.
• Trong phạm vi bối cảnh được kiểm thử, so sánh được báo cáo nghiêng về việc kết hợp lựa chọn vị thế với xác định quy mô giao dịch.

Thẻ

# Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning


# Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning









Price movement prediction has always been one of the traders' concerns in financial market trading. In order to increase their profit, they can analyze the historical data and predict the price movement. The large size of the data and complex relations between them lead us to use algorithmic trading and artificial intelligence. This paper aims to offer an approach using Twin-Delayed DDPG (TD3) and the daily close price in order to achieve a trading strategy in the stock and cryptocurrency markets. Unlike previous studies using a discrete action space reinforcement learning algorithm, the TD3 is continuous, offering both position and the number of trading shares. Both the stock (Amazon) and cryptocurrency (Bitcoin) markets are addressed in this research to evaluate the performance of the proposed algorithm. The achieved strategy using the TD3 is compared with some algorithms using technical analysis, reinforcement learning, stochastic, and deterministic strategies through two standard metrics, Return and Sharpe ratio. The results indicate that employing both position and the number of trading shares can improve the performance of a trading system based on the mentioned metrics.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.