論文の概要: Deep reinforcement learning for portfolio management based on the empirical study of chinese stock market

• arxiv url: http://arxiv.org/abs/2012.13773v4
• Date: Mon, 19 Apr 2021 16:25:09 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-25 02:07:46.832359
• Title: Deep reinforcement learning for portfolio management based on the empirical study of chinese stock market
• Title（参考訳）: 中国株式市場の実証的研究に基づくポートフォリオ管理のための深層強化学習
• Authors: Gang Huang, Xiaohua Zhou, Qingyang Song
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.5952664589125916
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: According to documents, there has not been a completely artificial intelligence framework with shorting mechanism in continuous action space for portfolio optimization. The objective of this paper is to verify that current cutting-edge technology, deep reinforcement learning, can be applied to portfolio management, and help us get artificial intelligence. We improve on the existing Deep Reinforcement Learning Portfolio model and make many innovations. Unlike many previous studies on discrete trading signals, we make the agent to short in a continuous action space for portfolio optimization. In addition, we design an arbitrage mechanism based on Arbitrage Pricing Theory, and redesign the activation function for acquiring action vectors. Furthermore, we redesign neural networks for reinforcement learning with reference to deep neural networks that process image data. In experiments, we use our model in several randomly selected portfolios which include CSI300 that represents the market's rate of return and the randomly selected constituents of CSI500. The experimental results show that no matter what stocks we select in our portfolios, we can always get a higher return than the market itself, namely we can get artificial intelligence through deep reinforcement learning to defeat market.
• Abstract（参考訳）: 文書によると、ポートフォリオ最適化のための継続的なアクション空間におけるショート機構を備えた完全な人工知能フレームワークは存在しない。 本研究の目的は,現在の最先端技術である深層強化学習がポートフォリオ管理に適用可能であることを検証し,人工知能の実現を支援することである。 既存のDeep Reinforcement Learning Portfolioモデルを改善し、多くのイノベーションを生み出します。 離散的取引信号に関する従来の多くの研究とは異なり、ポートフォリオ最適化のための連続的な行動空間においてエージェントを短くする。 さらに,仲裁価格理論に基づく仲裁機構を設計し,行動ベクトル獲得のための活性化関数を再設計する。 さらに,画像データを処理するディープニューラルネットワークを参考に,強化学習のためのニューラルネットの再設計を行った。 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。 実験の結果、ポートフォリオにどんな株を選んでも、常に市場自体よりも高いリターンを得ることができ、すなわち、深い強化学習を通じて人工知能が市場を打破できることを示している。

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)
• 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)
• Gated Deeper Models are Effective Factor Learners [0.9137554315375922]
  2048次元空間においてより有意義な因子を生成する5層ディープニューラルネットワークを提案する。 我々は、最近の3年間の記録で、中国市場から2000種以上の株を評価。
  論文  参考訳（メタデータ） (2023-05-18T04:07:47Z)
• Mastering the Unsupervised Reinforcement Learning Benchmark from Pixels [112.63440666617494]
  強化学習アルゴリズムは成功するが、エージェントと環境の間の大量の相互作用を必要とする。 本稿では,教師なしモデルベースRLを用いてエージェントを事前学習する手法を提案する。 我々はReal-Word RLベンチマークにおいて、適応中の環境摂動に対する抵抗性を示唆し、堅牢な性能を示す。
  論文  参考訳（メタデータ） (2022-09-24T14:22:29Z)
• An intelligent algorithmic trading based on a risk-return reinforcement learning algorithm [0.0]
  本稿では,改良された深部強化学習アルゴリズムを用いたポートフォリオ最適化モデルを提案する。 提案アルゴリズムはアクター・クリティカル・アーキテクチャに基づいており、クリティカル・ネットワークの主な課題はポートフォリオ累積リターンの分布を学習することである。 Ape-xと呼ばれるマルチプロセスを用いて、深層強化学習訓練の高速化を図る。
  論文  参考訳（メタデータ） (2022-08-23T03:20:06Z)
• Auto-Transfer: Learning to Route Transferrable Representations [77.30427535329571]
  本稿では,適切なターゲット表現にソース表現をルートする方法を自動学習する,新しい対向型マルチアームバンディット手法を提案する。 最先端の知識伝達手法と比較すると,5%以上の精度向上が期待できる。
  論文  参考訳（メタデータ） (2022-02-02T13:09:27Z)
• Factor Representation and Decision Making in Stock Markets Using Deep Reinforcement Learning [1.242591017155152]
  我々は,S&P500株のポートフォリオ選択を定期的に行うために,直接強化学習を用いたポートフォリオ管理システムを構築している。 その結果、市場条件と最適ポートフォリオ割り当ての効果的な学習は、平均的市場を著しく上回る可能性が示唆された。
  論文  参考訳（メタデータ） (2021-08-03T21:31:46Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)
• A Design Space Study for LISTA and Beyond [79.76740811464597]
  近年では、反復アルゴリズムの展開による問題固有のディープネットワーク構築に大きな成功を収めている。 本稿では,深層ネットワークにおける設計アプローチとしてのアンローリングの役割について再考する。 スパースリカバリのためのlistaを代表例として,未ロールモデルに対する設計空間調査を初めて実施した。
  論文  参考訳（メタデータ） (2021-04-08T23:01:52Z)
• MAPS: Multi-agent Reinforcement Learning-based Portfolio Management System [23.657021288146158]
  マルチエージェント強化学習に基づくポートフォリオ管理システム(MAPS)を提案する。 MAPSは、各エージェントが独立した「投資者」であり、独自のポートフォリオを作成する協調システムである。 米国の12年間の市場データによる実験の結果、MAPSはシャープ比でベースラインの大半を上回っている。
  論文  参考訳（メタデータ） (2020-07-10T14:08:12Z)
• Incentive Mechanism Design for Resource Sharing in Collaborative Edge Learning [106.51930957941433]
  5GとBeyondネットワークでは、人工知能のアプリケーションがますます普及すると予想されている。 これは、現在のクラウド中心のモデルトレーニングアプローチから、エッジラーニングとして知られるエッジコンピューティングベースの協調学習スキームへのパラダイムシフトを必要とする。
  論文  参考訳（メタデータ） (2020-05-31T12:45:06Z)

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。