Giao dịch cổ phiếu thích ứng với nhiều chỉ báo A2C

Tóm tắt

Tài liệu giới thiệu QTMRL, một tác nhân học tăng cường được thiết kế để đưa ra quyết định giao dịch cổ phiếu bằng chỉ báo kỹ thuật. Bộ dữ liệu đầu vào kết hợp dữ liệu giá và khối lượng hằng ngày của các cổ phiếu S&P 500 đại diện cho nhiều ngành, cùng các đặc trưng nhằm nắm bắt xu hướng, biến động và động lượng. Khung Advantage Actor-Critic kết nối xử lý dữ liệu, học chính sách và hành động giao dịch, với mục tiêu điều chỉnh quyết định khi điều kiện thị trường thay đổi.

Bài báo báo cáo các so sánh với chuẩn thống kê, mạng nơ-ron và đường trung bình động qua các chế độ thị trường khác nhau, đồng thời tuyên bố có ưu thế về khả năng sinh lời, hiệu suất đã điều chỉnh theo rủi ro và kiểm soát rủi ro giảm giá. Mô tả không cung cấp giá trị chỉ số, quy trình thí nghiệm chi tiết, giả định về chi phí giao dịch hoặc bằng chứng về hiệu suất ngoài mẫu đã nêu. Bộ dữ liệu trải dài một giai đoạn lịch sử dài, nhưng kết quả từ các cổ phiếu và ngày đó có thể không khái quát sang tài sản khác hoặc giao dịch thực. Vì vậy, phần tóm tắt giúp tìm hiểu thiết kế hệ thống, nhưng chưa làm rõ độ vững và khả năng triển khai.

Ý chính

• Tác nhân kết hợp chỉ báo xu hướng, biến động và động lượng với học tăng cường.
• Chính sách dùng khung Advantage Actor-Critic để chọn hành động giao dịch.
• Dữ liệu đầu vào gồm quan sát hằng ngày của các cổ phiếu S&P 500 được chọn thuộc nhiều ngành.
• Bài báo so sánh hệ thống với các chuẩn thống kê, mạng nơ-ron và đường trung bình động.
• Các tuyên bố về hiệu suất trong mô tả không kèm kết quả định lượng hay bằng chứng giao dịch thực.

Thẻ

# 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

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.