通过深度强化学习学习金融资产特定的交易规则
人工智能
2020-10-28 v1
摘要
基于资产财务状况生成资产特定的交易信号是自动化交易中的难题之一。基于不同技术分析手段，人们实验性地提出了多种资产交易规则。然而，这类交易策略虽能盈利，但从海量历史数据中提取新的资产特定交易规则以提升投资组合总收益并降低风险，对人类专家而言十分困难。近来，各类深度强化学习（DRL）方法被用于为每种资产学习新交易规则。本文提出一种带多种特征提取模块的新型DRL模型。研究了不同输入表示对模型性能的影响，并考察了基于DRL的模型在不同市场与资产情形下的表现。本工作所提模型在学习单一资产特定交易规则上优于其他最先进模型，在特定资产上两年内总收益近262%，而同期最优最先进模型在同一资产上仅获78%。
引用
@article{arxiv.2010.14194,
title = {Learning Financial Asset-Specific Trading Rules via Deep Reinforcement Learning},
author = {Mehran Taghian and Ahmad Asadi and Reza Safabakhsh},
journal= {arXiv preprint arXiv:2010.14194},
year = {2020}
}
备注
41 pages, 6 figures, submitted to the journal of Expert Systems with Applications