論文の概要: Deep Reinforcement Learning Strategies in Finance: Insights into Asset Holding, Trading Behavior, and Purchase Diversity

• arxiv url: http://arxiv.org/abs/2407.09557v1
• Date: Sat, 29 Jun 2024 20:56:58 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 13:08:55.945626
• Title: Deep Reinforcement Learning Strategies in Finance: Insights into Asset Holding, Trading Behavior, and Purchase Diversity
• Title（参考訳）: 金融の深層強化学習戦略:資産保有・取引行動・購入多様性への視点
• Authors: Alireza Mohammadshafie, Akram Mirzaeinia, Haseebullah Jumakhan, Amir Mirzaeinia,
• Abstract要約: 本稿では、金融資産の保有・取引傾向と、深層強化学習(DRL)アルゴリズムの購入多様性について考察する。 以上の結果から,各DRLアルゴリズムは独自の取引パターンと戦略を示し,A2Cが累積報酬のトップパフォーマーとして出現していることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Recent deep reinforcement learning (DRL) methods in finance show promising outcomes. However, there is limited research examining the behavior of these DRL algorithms. This paper aims to investigate their tendencies towards holding or trading financial assets as well as purchase diversity. By analyzing their trading behaviors, we provide insights into the decision-making processes of DRL models in finance applications. Our findings reveal that each DRL algorithm exhibits unique trading patterns and strategies, with A2C emerging as the top performer in terms of cumulative rewards. While PPO and SAC engage in significant trades with a limited number of stocks, DDPG and TD3 adopt a more balanced approach. Furthermore, SAC and PPO tend to hold positions for shorter durations, whereas DDPG, A2C, and TD3 display a propensity to remain stationary for extended periods.
• Abstract（参考訳）: 近年の金融における深層強化学習(DRL)手法は有望な成果を示している。 しかし、これらのDRLアルゴリズムの挙動を調べた研究は限られている。 本稿は、金融資産の保有・取引に対する傾向と、購入の多様性について考察することを目的とする。 取引行動を分析することにより、金融アプリケーションにおけるDRLモデルの意思決定プロセスに関する洞察を提供する。 以上の結果から,各DRLアルゴリズムは独自の取引パターンと戦略を示し,A2Cが累積報酬のトップパフォーマーとして出現していることがわかった。 PPOとSACは少数の株式と重要な取引を行っているが、DDPGとTD3はよりバランスの取れたアプローチを採用している。 さらに, SACおよびPPOは, DDPG, A2C, TD3は長期持続する傾向がみられたが, DDPG, A2C, TD3は長期持続する傾向を示した。

関連論文リスト

• Explainable Post hoc Portfolio Management Financial Policy of a Deep Reinforcement Learning agent [44.99833362998488]
  我々はポートフォリオ管理のための新しい説明可能な深層強化学習(XDRL)アプローチを開発した。 方法論を実践することにより、エージェントの行動を予測する時間内に解釈し、投資政策の要件に従うかどうかを評価することができる。
  論文  参考訳（メタデータ） (2024-07-19T17:40:39Z)
• E2EAI: End-to-End Deep Learning Framework for Active Investing [123.52358449455231]
  本稿では, ファクタ選択, ファクタ組み合わせ, 株式選択, ポートフォリオ構築を通じて, ファクター投資のほぼ全過程をカバーするE2Eを提案する。 実際の株式市場データの実験は、アクティブ投資におけるエンドツーエンドのディープ・リーン・フレームワークの有効性を示している。
  論文  参考訳（メタデータ） (2023-05-25T10:27:07Z)
• Optimizing Trading Strategies in Quantitative Markets using Multi-Agent Reinforcement Learning [11.556829339947031]
  本稿では、固定比率ポートフォリオ保険(CPPI)と時間不変ポートフォリオ保護(TIPP)の2つの確立された金融取引戦略の統合について検討する。 本稿では,量的市場における戦略的取引の探索に適した2つの新しいマルチエージェントRL(MARL)手法,CPPI-MADDPGとTIPP-MADDPGを紹介する。 実験の結果,CPPI-MADDPGとTIPP-MADDPGの戦略は従来よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2023-03-15T11:47:57Z)
• Factor Investing with a Deep Multi-Factor Model [123.52358449455231]
  我々は、業界中立化と市場中立化モジュールを明確な財務見識をもって取り入れた、新しい深層多要素モデルを開発する。 実世界の株式市場データによるテストは、我々の深層多要素モデルの有効性を示している。
  論文  参考訳（メタデータ） (2022-10-22T14:47:11Z)
• Deep Reinforcement Learning Approach for Trading Automation in The Stock Market [0.0]
  本稿では,Deep Reinforcement Learning (DRL)アルゴリズムを用いて,株式市場における収益性取引を生成するモデルを提案する。 我々は、市場が課す制約を考慮して、部分的に観測されたマルコフ決定プロセス(POMDP)モデルとして取引問題を定式化する。 次に, Twin Delayed Deep Deterministic Policy Gradient (TD3) アルゴリズムを用いて, 2.68 Sharpe Ratio を未知のデータセットに報告し, 定式化した POMDP 問題を解く。
  論文  参考訳（メタデータ） (2022-07-05T11:34:29Z)
• Safe-FinRL: A Low Bias and Variance Deep Reinforcement Learning Implementation for High-Freq Stock Trading [26.217805781416764]
  本稿では,DRLをベースとした新規な株式取引戦略であるSafe-FinRLを提案する。 主な貢献は、長期の金融時系列を、ほぼ静止した短期環境に分割することである。 次に, ソフトアクター・クリティカルに一般トレース演算子を組み込むことにより, ほぼ定常的な金融環境下でのトレース-SACを実装した。
  論文  参考訳（メタデータ） (2022-06-13T05:40:03Z)
• Deep Q-Learning Market Makers in a Multi-Agent Simulated Stock Market [58.720142291102135]
  本稿では,エージェント・ベースの観点から,これらのマーケット・メーカーの戦略に関する研究に焦点をあてる。 模擬株式市場における知的市場マーカー作成のための強化学習(Reinforcement Learning, RL)の適用を提案する。
  論文  参考訳（メタデータ） (2021-12-08T14:55:21Z)
• Deep Reinforcement Learning in Quantitative Algorithmic Trading: A Review [0.0]
  深層強化学習エージェントはChessやGoといった多くのゲームで想定される力であることが証明された。 本稿では、ファイナンスにおけるAIのサブドメインにおける深層強化学習の進歩を概観する。 我々は、株取引におけるDRLは、強い前提の下でプロのトレーダーと競合する可能性が大きいと結論付けている。
  論文  参考訳（メタデータ） (2021-05-31T22:26:43Z)
• FinRL: A Deep Reinforcement Learning Library for Automated Stock Trading in Quantitative Finance [20.43261517036651]
  DRLライブラリFinRLを導入し、初心者が定量的ファイナンスに自分自身を公開できるようにする。 FinRLはNASDAQ-100、DJIA、S&P 500、HSI、SSE 50、CSI 300など、さまざまな株式市場のトレーディング環境をシミュレートしている。 取引コスト、市場の流動性、投資家のリスク回避の度合いといった重要なトレーディングの制約が組み込まれている。
  論文  参考訳（メタデータ） (2020-11-19T01:35:05Z)
• Robust Deep Reinforcement Learning against Adversarial Perturbations on State Observations [88.94162416324505]
  深部強化学習(DRL)エージェントは、自然な測定誤差や対向雑音を含む観測を通して、その状態を観察する。 観測は真の状態から逸脱するので、エージェントを誤解させ、準最適行動を起こすことができる。 本研究は, 従来の手法を, 対人訓練などの分類タスクの堅牢性向上に応用することは, 多くのRLタスクには有効でないことを示す。
  論文  参考訳（メタデータ） (2020-03-19T17:59:59Z)
• Reinforcement-Learning based Portfolio Management with Augmented Asset Movement Prediction States [71.54651874063865]
  ポートフォリオマネジメント(PM)は、最大利益や最小リスクといった投資目標を達成することを目的としている。 本稿では,PMのための新しいステート拡張RLフレームワークであるSARLを提案する。 当社の枠組みは, 金融PMにおける2つのユニークな課題に対処することを目的としている。(1) データの異種データ -- 資産毎の収集情報は通常, 多様性, ノイズ, 不均衡(ニュース記事など), (2) 環境の不確実性 -- 金融市場は多様で非定常である。
  論文  参考訳（メタデータ） (2020-02-09T08:10:03Z)

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。