論文の概要: Application of Deep Q-Network in Portfolio Management
- arxiv url: http://arxiv.org/abs/2003.06365v1
- Date: Fri, 13 Mar 2020 16:20:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 01:32:25.956976
- Title: Application of Deep Q-Network in Portfolio Management
- Title（参考訳）: ポートフォリオ管理における深層Qネットワークの適用
- Authors: Ziming Gao, Yuan Gao, Yi Hu, Zhengyong Jiang, Jionglong Su
- Abstract要約: 本稿では,ストックマーケットにおけるポートフォリオ管理のための古典的ディープ強化学習アルゴリズムであるディープQネットワークに基づく戦略を提案する。
Q Learningによって最適化されたディープニューラルネットワークの一種である。
DQNアルゴリズムの利益は他の戦略の利益よりも30%高い。
- 参考スコア（独自算出の注目度）: 7.525667739427784
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine Learning algorithms and Neural Networks are widely applied to many
different areas such as stock market prediction, face recognition and
population analysis. This paper will introduce a strategy based on the classic
Deep Reinforcement Learning algorithm, Deep Q-Network, for portfolio management
in stock market. It is a type of deep neural network which is optimized by Q
Learning. To make the DQN adapt to financial market, we first discretize the
action space which is defined as the weight of portfolio in different assets so
that portfolio management becomes a problem that Deep Q-Network can solve.
Next, we combine the Convolutional Neural Network and dueling Q-net to enhance
the recognition ability of the algorithm. Experimentally, we chose five
lowrelevant American stocks to test the model. The result demonstrates that the
DQN based strategy outperforms the ten other traditional strategies. The profit
of DQN algorithm is 30% more than the profit of other strategies. Moreover, the
Sharpe ratio associated with Max Drawdown demonstrates that the risk of policy
made with DQN is the lowest.
- Abstract（参考訳）: 機械学習アルゴリズムとニューラルネットワークは、株式市場の予測、顔認識、人口分析など、多くの分野に広く応用されている。
本稿では,ストックマーケットにおけるポートフォリオ管理のための古典的深層強化学習アルゴリズム,Deep Q-Networkに基づく戦略を提案する。
Q Learningによって最適化されたディープニューラルネットワークの一種である。
DQNを金融市場に適応させるため、我々はまず異なる資産のポートフォリオの重みとして定義される行動空間を識別し、ポートフォリオ管理がディープQネットワークが解決できる問題となるようにします。
次に,畳み込みニューラルネットワークとq-netを組み合わせることで,アルゴリズムの認識能力を向上させる。
実験では、モデルをテストするために5つの低関係の米国株を選んだ。
その結果、DQNベースの戦略は、他の10の伝統的な戦略よりも優れていることが示された。
DQNアルゴリズムの利益は他の戦略の利益よりも30%高い。
さらに、マックス・ドローダウンに関連するシャープ比は、DQNによる政策のリスクが最も低いことを示している。
関連論文リスト
- A Deep Reinforcement Learning Framework For Financial Portfolio Management [3.186092314772714]
ディープラーニング技術によって解決されるポートフォリオ管理の問題である。
このフレームワークを実現するために、CNN(Convolutional Neural Network)、RNN(Basic Recurrent Neural Network)、Long Short-Term Memory(Long Short-Term Memory)という3つの異なるインスタンスが使用される。
我々は、優れたリターンを得られる原紙の複製に成功したが、株式市場に適用されると、うまく機能しない。
論文 参考訳（メタデータ） (2024-09-03T20:11:04Z) - QADQN: Quantum Attention Deep Q-Network for Financial Market Prediction [6.3671741591443105]
本稿では量子注意深度Q-Network(QADQN)アプローチを導入し,量子強化学習を通じてこれらの課題に対処する。
我々は、S&P500を含む主要市場指標の履歴データに基づいて、QADQNエージェントのパフォーマンスを評価する。
我々の実証結果はQADQNの優れた性能を示し、より優れたリスク調整リターンを実現した。
論文 参考訳（メタデータ） (2024-08-06T10:41:46Z) - Optimizing Portfolio Management and Risk Assessment in Digital Assets
Using Deep Learning for Predictive Analysis [5.015409508372732]
本稿では,DQNアルゴリズムを新規かつ簡単な方法で資産管理ポートフォリオに導入する。
この性能はベンチマークをはるかに上回り、ポートフォリオ管理におけるDRLアルゴリズムの有効性を十分に証明している。
異なる資産は別々に環境として訓練されるので、異なる資産間でQ値が漂う現象があるかもしれない。
論文 参考訳（メタデータ） (2024-02-25T05:23:57Z) - Pointer Networks with Q-Learning for Combinatorial Optimization [55.2480439325792]
我々は、モデルフリーQ値ポリシー近似をPointer Networks(Ptr-Nets)と統合したハイブリッドニューラルネットワークであるPointer Q-Network(PQN)を紹介する。
実験により,本手法の有効性を実証し,不安定な環境でモデルをテストする。
論文 参考訳（メタデータ） (2023-11-05T12:03:58Z) - On the Convergence and Sample Complexity Analysis of Deep Q-Networks
with $\epsilon$-Greedy Exploration [86.71396285956044]
本稿では,深層強化学習における$varepsilon$-greedyによるDQN(Deep Q-Network)の理論的理解を提供する。
論文 参考訳（メタデータ） (2023-10-24T20:37:02Z) - Cryptocurrency Portfolio Optimization by Neural Networks [81.20955733184398]
本稿では,これらの投資商品を活用するために,ニューラルネットワークに基づく効果的なアルゴリズムを提案する。
シャープ比を最大化するために、各アセットの割り当て重量を時間間隔で出力するディープニューラルネットワークを訓練する。
ネットワークの特定の資産に対するバイアスを規制する新たな損失項を提案し,最小分散戦略に近い割り当て戦略をネットワークに学習させる。
論文 参考訳（メタデータ） (2023-10-02T12:33:28Z) - Deep Reinforcement Learning with Spiking Q-learning [51.386945803485084]
スパイクニューラルネットワーク(SNN)は、少ないエネルギー消費で人工知能(AI)を実現することが期待されている。
SNNと深部強化学習(RL)を組み合わせることで、現実的な制御タスクに有望なエネルギー効率の方法を提供する。
論文 参考訳（メタデータ） (2022-01-21T16:42:11Z) - ORQVIZ: Visualizing High-Dimensional Landscapes in Variational Quantum
Algorithms [51.02972483763309]
変分量子アルゴリズム(VQA)は、量子コンピュータの実用的な応用を見つけるための有望な候補である。
この作業には、オープンソースのPythonパッケージである$textitorqviz$のリリースが伴っている。
論文 参考訳（メタデータ） (2021-11-08T18:17:59Z) - Deep reinforcement learning for portfolio management based on the
empirical study of chinese stock market [3.5952664589125916]
本論文では,最新の技術である深層強化学習をポートフォリオ管理に適用できることを検証する。
実験では、市場のリターン率を表すCSI300や、ランダムに選択されたCSI500の構成成分など、ランダムに選択されたポートフォリオにモデルを使用。
論文 参考訳（メタデータ） (2020-12-26T16:25:20Z) - Alpha Discovery Neural Network based on Prior Knowledge [55.65102700986668]
遺伝的プログラミング(GP)は、金融自動化機能構築タスクにおける最先端技術である。
本稿では,分散金融技術指標の自動構築が可能なニューラルネットワーク構造であるAlpha Discovery Neural Network (ADNN)を提案する。
論文 参考訳（メタデータ） (2019-12-26T03:10:17Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。