Học tăng cường sâu trong giao dịch đa thị trường

Bài viết arXiv papers · Tác giả: Jędrzej Maskiewicz et al.

Tóm tắt

Bài nghiên cứu đánh giá hai phương pháp học tăng cường sâu, Double Deep Q-Network và Proximal Policy Optimization, trong giao dịch. Hiệu suất của chúng được so sánh với chuẩn mua và nắm giữ bằng dữ liệu ngày từ 2019 đến 2023. Các tài sản được nêu gồm ba cặp tiền tệ, chỉ số S&P 500 và Bitcoin.

Kết quả được báo cáo cho thấy các hệ thống học tăng cường có thể tránh giao dịch trong điều kiện bất lợi và đạt lợi nhuận điều chỉnh theo rủi ro cao hơn các phương pháp học có giám sát cổ điển. Điều này gợi ý rằng một chính sách có thể chọn đứng ngoài thị trường có thể góp phần vào quản lý rủi ro cũng như lựa chọn giao dịch. Bản tóm tắt không nêu các cặp tiền tệ, thiết kế mô hình, chi phí giao dịch, quy trình kiểm định hay kết quả riêng cho từng tài sản, và cũng không đưa ra thước đo hiệu suất bằng số. Vì vậy, nên hiểu các phát hiện này là những tuyên bố dựa trên dữ liệu và thiết lập được nghiên cứu kiểm nghiệm, chứ không phải bằng chứng rằng các phương pháp sẽ khái quát sang giai đoạn khác hoặc giao dịch thực.

Ý chính

Nghiên cứu so sánh DDQN và PPO với chuẩn mua và nắm giữ.
Các chiến lược được đánh giá trên dữ liệu ngày của các cặp tiền tệ, một chỉ số cổ phiếu và Bitcoin.
Giai đoạn kiểm định được báo cáo kéo dài từ 2019 đến 2023.
Các tác giả cho rằng một phần khả năng quản lý rủi ro của phương pháp đến từ việc tránh các giao dịch bất lợi.
Trong nghiên cứu, lợi nhuận điều chỉnh theo rủi ro được báo cáo là cao hơn các phương pháp học có giám sát cổ điển.

Thẻ

Học máy Cổ phiếu Ngoại hối Tiền mã hóa Quản lý rủi ro

Toàn văn

# 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.

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.