面向多样化投资组合的强化学习交易技术评估
交易与市场微观结构
2024-02-13 v3 机器学习
摘要
本研究旨在回答关于在标普500指数上应用强化学习可行性的关键研究问题。我们实现了同策略技术值迭代（Value Iteration, VI）和状态-动作-奖励-状态-动作（State-action-reward-state-action, SARSA），以及异策略技术 Q-Learning。模型在包含2000年至2023年多年股票市场数据的数据集上训练和测试。分析展示了使用两个不同时间段训练和测试模型的结果与发现：一个包含COVID-19大流行年份，另一个不包含。结果表明，在训练数据集中纳入COVID-19时期的市场数据相比基线策略能带来更优的性能。在测试期间，同策略方法（VI和SARSA）优于Q-learning，凸显了偏差-方差权衡以及更简单策略泛化能力的影响。然而，值得注意的是，Q-learning的性能可能随未来市场条件的稳定性而变化。我们建议了未来工作，包括在测试期间使用更新的Q-learning策略进行实验以及交易多样化的个股。此外，提出了探索替代经济指标来训练模型。
引用
@article{arxiv.2309.03202,
title = {Evaluation of Reinforcement Learning Techniques for Trading on a Diverse Portfolio},
author = {Ishan S. Khare and Tarun K. Martheswaran and Akshana Dassanaike-Perera},
journal= {arXiv preprint arXiv:2309.03202},
year = {2024}
}
备注
Course project not to be posted online