在良好与恶劣行情下执行自主股票交易的智能体
机器学习
2025-05-20 v2
摘要
股票交易是流行的理财方式之一。然而,市场与经济环境并不稳定且通常不可预测。此外,参与股票交易需要投入时间与精力进行分析、制定策略并做出决策。若有一个智能体能够辅助甚至承担分析历史数据并建立模型、进而生成自主交易策略的任务,将十分便捷且高效。近来,强化学习已在各类涉及基于时间序列数据以决策策略达成目标的任务中展现出鲁棒性。在本项目中,我们开发了一条模拟股票交易环境的流水线,并训练了一个智能体,利用深度强化学习方法(包括深度 Q 学习、深度 SARSA 与策略梯度法)实现股票交易过程自动化。我们在相对良好(2021 年前)与恶劣(2021–2022 年)的行情下评估了我们的平台。所评估的股票包括 Google、Apple、Tesla、Meta、Microsoft 与 IBM。这些股票属热门标的,其趋势变化在好坏行情方面具有代表性。我们表明,2021 年前,我们所尝试的三种强化学习方法始终提供可观的利润回报,总年化收益率约为 至 ,而在 2021 年后仍保持正利润回报,总年化收益率约为 2% 至 7%。
引用
@article{arxiv.2306.03985,
title = {Agent Performing Autonomous Stock Trading under Good and Bad Situations},
author = {Yunfei Luo and Zhangqi Duan},
journal= {arXiv preprint arXiv:2306.03985},
year = {2025}
}
备注
Published as a workshop paper at ICLR 2023: AI for Agent Based Modeling