論文の概要: Agent Performing Autonomous Stock Trading under Good and Bad Situations
- arxiv url: http://arxiv.org/abs/2306.03985v1
- Date: Tue, 6 Jun 2023 19:44:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-08 17:19:16.635021
- Title: Agent Performing Autonomous Stock Trading under Good and Bad Situations
- Title（参考訳）: 善悪条件下での自律的株式取引を行うエージェント
- Authors: Yunfei Luo and Zhangqi Duan
- Abstract要約: 株式取引環境をシミュレートするパイプラインを開発した。
我々は、深層強化学習手法で株取引プロセスを自動化するエージェントを訓練した。
比較的良い(2021年まで)と悪い(2021年から2022年まで)の状況で、当社のプラットフォームを評価します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Stock trading is one of the popular ways for financial management. However,
the market and the environment of economy is unstable and usually not
predictable. Furthermore, engaging in stock trading requires time and effort to
analyze, create strategies, and make decisions. It would be convenient and
effective if an agent could assist or even do the task of analyzing and
modeling the past data and then generate a strategy for autonomous trading.
Recently, reinforcement learning has been shown to be robust in various tasks
that involve achieving a goal with a decision making strategy based on
time-series data. In this project, we have developed a pipeline that simulates
the stock trading environment and have trained an agent to automate the stock
trading process with deep reinforcement learning methods, including deep
Q-learning, deep SARSA, and the policy gradient method. We evaluate our
platform during relatively good (before 2021) and bad (2021 - 2022) situations.
The stocks we've evaluated on including Google, Apple, Tesla, Meta, Microsoft,
and IBM. These stocks are among the popular ones, and the changes in trends are
representative in terms of having good and bad situations. We showed that
before 2021, the three reinforcement methods we have tried always provide
promising profit returns with total annual rates around $70\%$ to $90\%$, while
maintain a positive profit return after 2021 with total annual rates around 2%
to 7%.
- Abstract（参考訳）: 株式トレーディングは金融管理の一般的な方法の1つだ。
しかし、市場と経済環境は不安定であり、通常予測不可能である。
さらに、株式取引に参加するには、分析、戦略作成、意思決定に時間と労力が必要となる。
エージェントが過去のデータを分析してモデリングし、それから自律的なトレーディング戦略を生成するタスクを支援したり、あるいは実行したりすることは、便利で効果的です。
近年,時系列データに基づく意思決定戦略による目標達成に関わるさまざまなタスクにおいて,強化学習が堅牢であることが示されている。
本稿では,株取引環境をシミュレートするパイプラインを開発し,深層Q-ラーニング,深層SARSA,政策勾配法などの深層強化学習手法を用いて,株取引プロセスを自動化するエージェントを訓練した。
比較的良い状況(2021年以前)と悪い状況(2021年～2022年)でプラットフォームを評価する。
私たちが評価した株価は、Google、Apple、Tesla、Meta、Microsoft、IBMなどです。
これらの株は人気株の一つであり、トレンドの変化は良い状況と悪い状況の点で代表的である。
2021年以前、我々が試みた3つの強化手法は、年間利率70\%$から90\%$の有望な利益率を提供し、一方で2021年以降はプラス利益率を2%から7%の合計で維持することを示した。
関連論文リスト
- Beyond Trend Following: Deep Learning for Market Trend Prediction [49.89480853499917]
我々は、将来の市場動向を予測するために人工知能と機械学習技術を使うことを提唱する。
これらの予測は、適切に実行されれば、リターンを増やし、損失を減らすことで資産運用者のパフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2024-06-10T11:42:30Z) - 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) - Using a Deep Learning Model to Simulate Human Stock Trader's Methods of Chart Analysis [0.276240219662896]
提案手法は、過去600日間の株価に注目し、次のD日で株価が10%上昇するか、20%下落するかを予測する。
提案手法を用いて、シャープ比1.57の75.36%を返却し、それぞれ36%、0.61を上回った。
米国市場ではシャープ比0.61で27.17%のリターンを与え、NASDAQ、S&P500、DOW JONESの指数をそれぞれ17.69%、0.27で上回っている。
論文 参考訳（メタデータ） (2023-04-28T14:27:18Z) - Dynamic Datasets and Market Environments for Financial Reinforcement
Learning [68.11692837240756]
FinRL-Metaは、現実世界の市場からジムスタイルの市場環境へ動的データセットを処理するライブラリである。
我々は,ユーザが新しい取引戦略を設計するための足場として,人気のある研究論文を例示し,再現する。
また、ユーザが自身の結果を視覚化し、相対的なパフォーマンスを評価するために、このライブラリをクラウドプラットフォームにデプロイします。
論文 参考訳（メタデータ） (2023-04-25T22:17:31Z) - A Stock Trading System for a Medium Volatile Asset using Multi Layer
Perceptron [0.6882042556551609]
今後30日間の公開市場における価格予測のために,フィードフォワードディープニューラルネットワーク(DNN)のコアとなるストックトレーディングシステムを提案する。
結果は、非常に控えめな100ドルの予算からわずか1ヶ月で3.2%の総利益率をもたらすことを約束していた。
論文 参考訳（メタデータ） (2022-01-17T16:08:40Z) - Exploration of Algorithmic Trading Strategies for the Bitcoin Market [1.933681537640272]
この取り組みは、Bitcoin市場にアルゴリズムによるトレーディングのアプローチをもたらし、その価格の変動を日々利用している。
我々は,2021年第1四半期を通じて収集された全く見えないデータに基づいて,実世界のトレーディング戦略を用いてモデルを実証的に評価した。
モデルの平均利益は86%で、従来の買い取り戦略と一致した。
論文 参考訳（メタデータ） (2021-10-28T08:13:34Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳（メタデータ） (2021-09-14T18:50:38Z) - Extreme Volatility Prediction in Stock Market: When GameStop meets Long
Short-Term Memory Networks [7.23389716633927]
2021年初め、GameStopの会社株(NYSEのTicker GME)など一部の株式のボラティリティが急上昇した。
GameStopの株価は10年平均の485ドルから約10倍に上昇した。
本論文では, 合併崩壊の予測と取引により, 過激なボラティリティの存在下では買取戦略を上回り得ると仮定する。
論文 参考訳（メタデータ） (2021-03-01T16:44:32Z) - Universal Trading for Order Execution with Oracle Policy Distillation [99.57416828489568]
本稿では,不完全な市場状態と注文実行のための最適な行動シーケンスとのギャップを埋める,新たなユニバーサル取引ポリシー最適化フレームワークを提案する。
本研究の枠組みは,完全情報を持つ託宣教師による実践的最適実行に向けて,共通政策の学習を指導する上で有効であることを示す。
論文 参考訳（メタデータ） (2021-01-28T05:52:18Z) - Evaluating data augmentation for financial time series classification [85.38479579398525]
2つの最先端ディープラーニングモデルを用いて,ストックデータセットに適用したいくつかの拡張手法を評価する。
比較的小さなデータセット拡張手法では、リスク調整された戻り値のパフォーマンスが最大400%向上する。
より大きなストックデータセット拡張メソッドでは、最大40%の改善が達成される。
論文 参考訳（メタデータ） (2020-10-28T17:53:57Z) - 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。