跳至正文
返回文库全部文档

跨市场交易的深度强化学习

文章 arXiv papers · 作者: Jędrzej Maskiewicz et al.
阅读原文

总结

本文评估两种用于交易的深度强化学习方法：Double Deep Q-Network 和 Proximal Policy Optimization。研究使用从 2019 到 2023 的日度数据，将其表现与买入并持有基准进行比较。涉及的资产包括三个货币对、标普 500 指数和比特币。

报告结果显示，强化学习系统能够避开不利条件下的交易，并取得优于经典监督学习方法的风险调整后收益。这表明，能够选择何时离场观望的策略，或许既有助于风险管理，也有助于交易选择。摘要未说明货币对、模型设计、交易成本、验证流程或各项资产的结果，也没有提供数值表现指标。因此，这些发现应理解为针对研究所测试的数据和设置提出的结论，而不能视为这些方法会推广到其他时期或实盘交易的证据。

核心观点

  • 研究将 DDQN 和 PPO 与买入并持有基准进行比较。
  • 研究在涵盖货币对、股票指数和比特币的日度数据上评估策略。
  • 作者报告的测试期为 2019 至 2023。
  • 作者认为，避开不利交易有助于这些方法进行风险管理。
  • 研究报告称，其风险调整后收益高于经典监督学习方法。

标签

机器学习股票外汇加密资产风险管理
全文
# 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.

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。