跳至正文
返回文库全部文档

深度强化学习与自适应股票交易

文章 arXiv papers · 作者: Xiao-Yang Liu et al.
阅读原文

总结

本研究探索用深度强化学习为包含 30 只股票的投资组合制定自适应交易策略。研究使用日价格作为训练数据和交易环境，并将智能体与道琼斯工业平均指数及传统最小方差投资组合配置策略进行比较。研究所述目标是优化交易决策和投资收益。

作者报告称，该智能体在夏普比率和累计收益方面均优于两种比较对象。摘录没有说明训练和评估日期、交易成本、风险约束、奖励设计，也没有说明评估是否避免了前视偏差。文中也没有提供数值结果，因此仅凭这段描述无法评估其优势幅度或稳健性。这些发现是对所提实验的证据，并不能证明该方法可以推广到其他股票或市场环境。

核心观点

  • 使用日价格训练深度强化学习智能体，交易一篮子 30 只股票。
  • 学习得到的策略旨在适应复杂且不断变化的股市。
  • 研究将该智能体与道琼斯工业平均指数和最小方差配置进行比较。
  • 作者报告称，该智能体的夏普比率和累计收益均高于两种基准。
  • 摘录未提供成本、日期、奖励设计和数值表现等评估细节。

标签

股票机器学习投资组合构建回测风险管理
全文
# 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.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。