基于连续动作空间深度强化学习的算法交易
机器学习
2022-10-10 v1 交易与市场微观结构
摘要
价格运动预测一直是金融市场交易中交易者的关注点之一。为了增加利润，他们可以分析历史数据并预测价格运动。数据规模庞大且相互关系复杂，这促使我们使用算法交易与人工智能。本文旨在提出一种利用 Twin-Delayed DDPG (TD3) 与每日收盘价的方法，以在股票与加密货币市场获得交易策略。不同于以往使用离散动作空间强化学习算法的研究，TD3 是连续的，可同时给出仓位与交易股数。本研究同时涉及股票（亚马逊）与加密货币（比特币）市场，以评估所提算法的性能。使用 TD3 得到的策略通过两个标准指标——收益率（Return）与夏普比率（Sharpe ratio）——与一些采用技术分析、强化学习、随机与确定性策略的算法进行比较。结果表明，同时采用仓位与交易股数可基于上述指标改善交易系统的性能。
引用
@article{arxiv.2210.03469,
title = {Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning},
author = {Naseh Majidi and Mahdi Shamsi and Farokh Marvasti},
journal= {arXiv preprint arXiv:2210.03469},
year = {2022}
}