Fugu-MT 論文翻訳(概要): Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning

論文の概要: Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning

arxiv url: http://arxiv.org/abs/2210.03469v1
Date: Fri, 7 Oct 2022 11:42:31 GMT
ステータス: 処理完了
システム内更新日: 2022-10-10 15:01:57.131936
Title: Algorithmic Trading Using Continuous Action Space Deep Reinforcement Learning
Title（参考訳）: 連続行動空間深層強化学習を用いたアルゴリズムトレーディング
Authors: Naseh Majidi, Mahdi Shamsi, Farokh Marvasti
Abstract要約: 本稿では、Twin-Delayed DDPG(TD3)と日替わり価格を用いて、株式および暗号通貨市場でのトレーディング戦略を実現するためのアプローチを提案する。本研究では,株式(Amazon)と暗号通貨(Bitcoin)の両市場を対象とし,提案アルゴリズムの性能評価を行った。
参考スコア（独自算出の注目度）: 11.516147824168732
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Price movement prediction has always been one of the traders' concerns in financial market trading. In order to increase their profit, they can analyze the historical data and predict the price movement. The large size of the data and complex relations between them lead us to use algorithmic trading and artificial intelligence. This paper aims to offer an approach using Twin-Delayed DDPG (TD3) and the daily close price in order to achieve a trading strategy in the stock and cryptocurrency markets. Unlike previous studies using a discrete action space reinforcement learning algorithm, the TD3 is continuous, offering both position and the number of trading shares. Both the stock (Amazon) and cryptocurrency (Bitcoin) markets are addressed in this research to evaluate the performance of the proposed algorithm. The achieved strategy using the TD3 is compared with some algorithms using technical analysis, reinforcement learning, stochastic, and deterministic strategies through two standard metrics, Return and Sharpe ratio. The results indicate that employing both position and the number of trading shares can improve the performance of a trading system based on the mentioned metrics.
Abstract（参考訳）: 物価変動の予測は常に金融市場取引におけるトレーダーの懸念の1つであった。利益を上げるために、過去のデータを分析し、価格の動きを予測することができる。データの大きさとそれらの間の複雑な関係は、アルゴリズム取引と人工知能の使用につながる。本稿では、Twin-Delayed DDPG(TD3)と日替わり価格を用いて、株式および暗号通貨市場でのトレーディング戦略を実現するためのアプローチを提案する。離散的行動空間強化学習アルゴリズムを用いた以前の研究とは異なり、td3は連続的であり、位置と取引株数の両方を提供する。本研究では,株式(Amazon)と暗号通貨(Bitcoin)の両市場について,提案アルゴリズムの性能評価を行った。 TD3を用いた達成戦略は、技術分析、強化学習、確率的、決定論的戦略の2つの標準指標であるReturnとSharpe比を用いて、いくつかのアルゴリズムと比較される。その結果,両位置とトレーディング株数を併用することで,上記指標に基づくトレーディングシステムの性能が向上することが示唆された。

関連論文リスト

Predicting Bitcoin Market Trends with Enhanced Technical Indicator Integration and Classification Models [6.39158540499473]
本研究では,暗号市場の方向性を予測するための分類に基づく機械学習モデルを提案する。歴史的データと、移動平均収束分量、相対強度指数、ボリンジャーバンドなどの重要な技術指標を用いて訓練されている。その結果、購入/販売信号の精度は92%を超えた。
論文参考訳（メタデータ） (2024-10-09T14:29:50Z)
Reinforcement Learning Pair Trading: A Dynamic Scaling approach [3.4698840925433774]
暗号通貨の取引は、暗号市場固有のボラティリティのために困難である。この作業では、強化学習(RL)とペアトレーディングを組み合わせています。以上の結果から,RLは暗号通貨などの不安定な市場に適用した場合,手動および従来型のペア取引技術よりも大幅に優れることが示された。
論文参考訳（メタデータ） (2024-07-23T00:16:27Z)
When AI Meets Finance (StockAgent): Large Language Model-based Stock Trading in Simulated Real-world Environments [55.19252983108372]
LLMによって駆動される、StockAgentと呼ばれるマルチエージェントAIシステムを開発した。 StockAgentを使えば、ユーザーはさまざまな外部要因が投資家取引に与える影響を評価することができる。 AIエージェントに基づく既存のトレーディングシミュレーションシステムに存在するテストセットのリーク問題を回避する。
論文参考訳（メタデータ） (2024-07-15T06:49:30Z)
Data Cross-Segmentation for Improved Generalization in Reinforcement Learning Based Algorithmic Trading [5.75899596101548]
本稿では,学習した予測モデルからの信号に基づいて処理を行う強化学習(RL)アルゴリズムを提案する。われわれのアルゴリズムは、ブルサ・マレーシアの20年以上のエクイティデータに基づいてテストしている。
論文参考訳（メタデータ） (2023-07-18T16:00:02Z)
Online Search with Predictions: Pareto-optimal Algorithm and its Applications in Energy Markets [32.50099216716867]
本稿では、揮発性電力市場におけるエネルギー取引のための学習強化アルゴリズムを開発する。オンライン検索問題に対する競合アルゴリズムの設計には,機械学習による予測が組み込まれている。
論文参考訳（メタデータ） (2022-11-12T04:12:10Z)
DeepScalper: A Risk-Aware Reinforcement Learning Framework to Capture Fleeting Intraday Trading Opportunities [33.28409845878758]
日内取引のための深層強化学習フレームワークであるDeepScalperを提案する。我々は、DeepScalperが4つの財務基準において、最先端のベースラインを著しく上回っていることを示す。
論文参考訳（メタデータ） (2021-12-15T15:24:02Z)
MCTG:Multi-frequency continuous-share trading algorithm with GARCH based on deep reinforcement learning [5.1727003187913665]
そこで本研究では,garch (mctg) を用いたマルチ周波数連続共有トレーディングアルゴリズムを提案する。強化学習アルゴリズムの連続的な動作空間を持つ後者は、株式取引の問題を解決するために使用される。中国株式市場の異なる業界での実験では、基本的なDRL法やベンチモデルと比較して余分な利益が得られている。
論文参考訳（メタデータ） (2021-05-08T08:00:56Z)
A comparative study of Different Machine Learning Regressors For Stock Market Prediction [2.1485350418225244]
我々はNASDAQの株式市場を集中的に研究し、10社のポートフォリオを選択することを目標とした。目標は、履歴データを用いて翌日の株式の公開価格を計算することである。このタスクを達成するために、9つの異なる機械学習レグレッサーがこのデータに適用され、パフォーマンスメトリックとしてMSEとR2を使用して評価されます。
論文参考訳（メタデータ） (2021-04-14T15:37:33Z)
REST: Relational Event-driven Stock Trend Forecasting [76.08435590771357]
既存の手法の欠点に対処するために,rest(relational event-driven stock trend forecasting)フレームワークを提案する。第1の欠点を是正するため,我々は,株価の文脈をモデル化し,異なる状況下での株価に対する事象情報の影響を学ぶことを提案する。第2の欠点に対処するために,ストックグラフを構築し,関連する株からイベント情報の影響を伝達する新しい伝播層を設計する。
論文参考訳（メタデータ） (2021-02-15T07:22:09Z)
Taking Over the Stock Market: Adversarial Perturbations Against Algorithmic Traders [47.32228513808444]
本稿では,敵対的学習手法を用いて,攻撃者がアルゴリズム取引システムに影響を与える現実的なシナリオを提案する。入力ストリームに追加されると、我々の摂動は将来目に見えないデータポイントのトレーディングアルゴリズムを騙すことができることを示す。
論文参考訳（メタデータ） (2020-10-19T06:28:05Z)
A Deep Reinforcement Learning Framework for Continuous Intraday Market Bidding [69.37299910149981]
再生可能エネルギー源統合の成功の鍵となる要素は、エネルギー貯蔵の利用である。欧州の継続的な日内市場におけるエネルギー貯蔵の戦略的関与をモデル化するための新しい枠組みを提案する。本アルゴリズムの分散バージョンは, サンプル効率のため, この問題を解決するために選択される。その結果, エージェントは, ベンチマーク戦略よりも平均的収益率の高い政策に収束することが示唆された。
論文参考訳（メタデータ） (2020-04-13T13:50:13Z)

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。