Học tăng cường sâu cho giao dịch cổ phiếu thích ứng

Tóm tắt

Nghiên cứu tìm hiểu việc dùng học tăng cường sâu để phát triển chiến lược giao dịch thích ứng cho danh mục gồm 30 cổ phiếu. Nghiên cứu dùng giá hằng ngày làm dữ liệu huấn luyện và môi trường giao dịch, sau đó so sánh tác nhân với Chỉ số Dow Jones Industrial Average và một chiến lược phân bổ danh mục phương sai tối thiểu truyền thống. Mục tiêu được nêu là tối ưu hóa quyết định giao dịch và lợi nhuận đầu tư.

Các tác giả báo cáo rằng tác nhân của họ vượt trội cả hai phương án so sánh về tỷ lệ Sharpe và lợi suất tích lũy. Phần trích đoạn không nêu ngày huấn luyện và đánh giá, chi phí giao dịch, ràng buộc rủi ro, cách thiết kế phần thưởng hay việc đánh giá có tránh sai lệch nhìn trước hay không. Tài liệu cũng không cung cấp kết quả định lượng, nên chỉ từ phần mô tả này không thể đánh giá quy mô hay độ vững của lợi thế được báo cáo. Các phát hiện là bằng chứng từ thí nghiệm được đề xuất, chứ không chứng minh phương pháp sẽ khái quát sang cổ phiếu hoặc điều kiện thị trường khác.

Ý chính

• Một tác nhân học tăng cường sâu được huấn luyện để giao dịch rổ gồm 30 cổ phiếu bằng giá hằng ngày.
• Chiến lược được học nhằm thích ứng với thị trường cổ phiếu phức tạp và biến đổi.
• Nghiên cứu so sánh tác nhân với Chỉ số Dow Jones Industrial Average và phương pháp phân bổ phương sai tối thiểu.
• Các tác giả báo cáo tác nhân có tỷ lệ Sharpe và lợi suất tích lũy cao hơn cả hai chuẩn so sánh.
• Phần trích đoạn không nêu các chi tiết đánh giá như chi phí, mốc thời gian, cách thiết kế phần thưởng và hiệu suất định lượng.

Thẻ

# Practical Deep Reinforcement Learning Approach for Stock Trading


# Practical Deep Reinforcement Learning Approach for Stock Trading









Stock trading strategy plays a crucial role in investment companies. However, it is challenging to obtain optimal strategy in the complex and dynamic stock market. We explore the potential of deep reinforcement learning to optimize stock trading strategy and thus maximize investment return. 30 stocks are selected as our trading stocks and their daily prices are used as the training and trading market environment. We train a deep reinforcement learning agent and obtain an adaptive trading strategy. The agent's performance is evaluated and compared with Dow Jones Industrial Average and the traditional min-variance portfolio allocation strategy. The proposed deep reinforcement learning approach is shown to outperform the two baselines in terms of both the Sharpe ratio and cumulative returns.

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.