面向股市交易自动化的深度强化学习方法
交易与市场微观结构
2022-09-20 v1 计算工程、金融与科学
机器学习
摘要
深度强化学习（DRL）算法可扩展到此前难以处理的问题。利用 DRL 可实现股市中收益生成的自动化，将金融资产价格“预测”步骤与投资组合“配置”步骤结合于统一流程中，产生能够通过试错与环境交互以做出最优决策的完全自主系统。本工作提出一种 DRL 模型以在股市中生成盈利交易，有效克服监督学习方法的局限。我们将交易问题建模为部分可观测马尔可夫决策过程（POMDP），考虑股市施加的如流动性和交易成本等约束。随后使用双延迟深度确定性策略梯度（TD3）算法求解所建 POMDP 问题，在未见数据集（测试数据）上报告了 2.68 的夏普比率。从股市预测与智能决策机制角度看，本文证明了 DRL 在金融市场中相对于其他机器学习类型的优越性，并证实其战略决策的可信度与优势。
引用
@article{arxiv.2208.07165,
title = {Deep Reinforcement Learning Approach for Trading Automation in The Stock Market},
author = {Taylan Kabbani and Ekrem Duman},
journal= {arXiv preprint arXiv:2208.07165},
year = {2022}
}
备注
10 pages, 5 figures, ICANN 2022: 16. International Conference on Artificial Neural Networks