論文の概要: Reinforcement Learning for Quantitative Trading

• arxiv url: http://arxiv.org/abs/2109.13851v1
• Date: Tue, 28 Sep 2021 16:32:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-29 17:14:50.143038
• Title: Reinforcement Learning for Quantitative Trading
• Title（参考訳）: 量的取引のための強化学習
• Authors: Shuo Sun, Rundong Wang, Bo An
• Abstract要約: 強化学習(RL)は、ロボット工学やビデオゲームなど多くの分野において大きな関心を集めている。 RLの影響は広く、最近、多くの挑戦的なQTタスクを克服する能力を示している。 本稿では,QTタスクに対するRLに基づく手法に関する総合的な研究成果の提供を目的とする。
• 参考スコア（独自算出の注目度）: 36.85034299183786
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Quantitative trading (QT), which refers to the usage of mathematical models and data-driven techniques in analyzing the financial market, has been a popular topic in both academia and financial industry since 1970s. In the last decade, reinforcement learning (RL) has garnered significant interest in many domains such as robotics and video games, owing to its outstanding ability on solving complex sequential decision making problems. RL's impact is pervasive, recently demonstrating its ability to conquer many challenging QT tasks. It is a flourishing research direction to explore RL techniques' potential on QT tasks. This paper aims at providing a comprehensive survey of research efforts on RL-based methods for QT tasks. More concretely, we devise a taxonomy of RL-based QT models, along with a comprehensive summary of the state of the art. Finally, we discuss current challenges and propose future research directions in this exciting field.
• Abstract（参考訳）: 量的トレーディング(qt)とは、金融市場分析における数理モデルやデータ駆動技術の利用を指す用語であり、1970年代から学界と金融業界の両方で話題となっている。 過去10年間で、強化学習(RL)は、複雑なシーケンシャルな意思決定問題の解決に際し、ロボット工学やビデオゲームなど多くの分野において大きな関心を集めてきた。 RLの影響は広く、最近、多くの挑戦的なQTタスクを克服する能力を示している。 QT タスクにおける RL 技術の可能性を探究する研究の方向性は盛んである。 本稿では,QTタスクのためのRLに基づく手法に関する総合的な研究成果を提供する。 より具体的には、RLに基づくQTモデルの分類法を考案し、技術の現状を概観する。 最後に,現在の課題を議論し,このエキサイティングな分野における今後の研究の方向性を提案する。

関連論文リスト

• The Evolution of Reinforcement Learning in Quantitative Finance [3.8535927070486697]
  強化学習(RL)は過去10年間で大きな進歩を遂げており、金融分野のアプリケーションへの関心が高まっている。 この調査は167の出版物を批判的に評価し、金融における多様なRLアプリケーションとフレームワークを調査している。 金融市場は、その複雑さ、マルチエージェントの性質、情報非対称性、および固有のランダム性によって特徴付けられ、RLの興味深いテストベッドとして機能する。
  論文  参考訳（メタデータ） (2024-08-20T15:15:10Z)
• The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
  LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。 本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
  論文  参考訳（メタデータ） (2023-12-01T16:00:25Z)
• Ensemble Reinforcement Learning: A Survey [43.17635633600716]
  強化学習(Reinforcement Learning, RL)は, 様々な科学的, 応用的な問題に対処するための, 極めて効果的な手法として登場した。 これに対し, アンサンブル強化学習(ERL)は, RLとアンサンブル学習(EL)の両方の利点を組み合わせた有望なアプローチであり, 広く普及している。 ERLは複数のモデルやトレーニングアルゴリズムを活用して、問題空間を包括的に探索し、強力な一般化能力を持つ。
  論文  参考訳（メタデータ） (2023-03-05T09:26:44Z)
• A Survey of Meta-Reinforcement Learning [69.76165430793571]
  我々は,メタRLと呼ばれるプロセスにおいて,機械学習問題自体として,より優れたRLアルゴリズムを開発した。 本稿では,タスク分布の存在と各タスクに利用可能な学習予算に基づいて,高レベルでメタRL研究をクラスタ化する方法について議論する。 RL実践者のための標準ツールボックスにメタRLを組み込むことの道程について,オープンな問題を提示することによって,結論を下す。
  論文  参考訳（メタデータ） (2023-01-19T12:01:41Z)
• Understanding the Complexity Gains of Single-Task RL with a Curriculum [83.46923851724408]
  強化学習 (Reinforcement Learning, RL) の問題は, 十分に形が整った報酬なしでは困難である。 カリキュラムで定義されるマルチタスクRL問題として、シングルタスクRL問題を再構成する理論的枠組みを提供する。 マルチタスクRL問題における各タスクの逐次解法は、元の単一タスク問題の解法よりも計算効率がよいことを示す。
  論文  参考訳（メタデータ） (2022-12-24T19:46:47Z)
• Reinforcement Learning Applied to Trading Systems: A Survey [5.118560450410779]
  近年の成果と強化学習の有名さは、取引業務における採用率を高めている。 このレビューは、研究者の標準遵守へのコミットメントによって、この研究分野の発展を促進する試みである。
  論文  参考訳（メタデータ） (2022-11-01T21:26:12Z)
• Reinforcement Learning in Macroeconomic Policy Design: A New Frontier? [0.0]
  エージェントベースの計算マクロ経済学は、主流のポリシー設計ツールボックスに入るのに苦労している。 強化学習は近年,いくつかの指数的発展の中心にある。 現代のRL実装は、前例のないレベルの高度化を達成することができた。
  論文  参考訳（メタデータ） (2022-06-16T10:35:26Z)
• FinRL-Meta: A Universe of Near-Real Market Environments for Data-Driven Deep Reinforcement Learning in Quantitative Finance [58.77314662664463]
  FinRL-Metaは、データ駆動型金融強化学習のための市場環境の宇宙を構築している。 まず、FinRL-MetaはDRLベースの戦略の設計パイプラインから財務データ処理を分離する。 第2に、FinRL-Metaは様々な取引タスクに数百の市場環境を提供している。
  論文  参考訳（メタデータ） (2021-12-13T16:03:37Z)
• Recent Advances in Reinforcement Learning in Finance [3.0079490585515343]
  データ量の増加による金融業界の急激な変化は、データ処理やデータ分析に関する技術に革命をもたらした。 強化学習(RL)による新たな発展は、大量の財務データをフル活用することができる。
  論文  参考訳（メタデータ） (2021-12-08T19:55:26Z)
• Towards Continual Reinforcement Learning: A Review and Perspectives [69.48324517535549]
  我々は,連続的強化学習(RL)に対する異なる定式化とアプローチの文献レビューの提供を目的とする。 まだ初期段階だが、継続的なrlの研究は、よりインクリメンタルな強化学習者を開発することを約束している。 これには、医療、教育、物流、ロボット工学などの分野の応用が含まれる。
  論文  参考訳（メタデータ） (2020-12-25T02:35:27Z)

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。