Mạng Q sâu cho giao dịch, huấn luyện bằng quỹ đạo thị trường tổng hợp

Tóm tắt

Bài nghiên cứu giới thiệu Trading Deep Q-Network (TDQN), một phương pháp học tăng cường sâu để chọn vị thế trên thị trường cổ phiếu theo thời gian. Phương pháp này điều chỉnh cách tiếp cận DQN cho giao dịch và đặt tỷ lệ Sharpe làm thước đo hiệu suất mà chiến lược hướng tới tối đa hóa. Mục tiêu được mô tả là tìm vị thế phù hợp trong quá trình giao dịch, thay vì chỉ áp dụng nguyên trạng một thuật toán học tăng cường đa dụng.

Tác nhân được huấn luyện bằng các quỹ đạo nhân tạo tạo từ một tập dữ liệu lịch sử cổ phiếu giới hạn. Bài nghiên cứu cũng đề xuất phương pháp nghiêm ngặt hơn để đánh giá chiến lược giao dịch và báo cáo kết quả TDQN đầy hứa hẹn theo cách đánh giá đó. Mô tả được cung cấp không nêu thị trường, chi tiết tập dữ liệu, chiến lược đối chuẩn, kết quả số hay quy trình đánh giá, nên chỉ riêng văn bản này không đủ để nhận định hiệu suất được báo cáo hoặc khả năng khái quát hóa. Quỹ đạo tổng hợp và dữ liệu lịch sử hạn chế là những đặc điểm cốt lõi của phương pháp, nhưng cách tạo lập và hàm ý của chúng không được giải thích ở đây.

Ý chính

• TDQN điều chỉnh học Q sâu để chọn vị thế giao dịch trên thị trường cổ phiếu.
• Chiến lược được thiết kế để tối đa hóa hiệu suất theo tỷ lệ Sharpe.
• Quá trình huấn luyện dùng các quỹ đạo nhân tạo tạo từ tập dữ liệu lịch sử giới hạn.
• Bài nghiên cứu đề xuất phương pháp đánh giá hiệu suất nghiêm ngặt hơn và báo cáo kết quả đầy hứa hẹn.
• Mô tả hiện có thiếu chi tiết triển khai và bằng chứng định lượng cần thiết để đánh giá độ vững chắc.

Thẻ

# 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.

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.