論文の概要: Deep Reinforcement Learning for Equity Trading: Benchmarking Actor-Critic Methods with Forward Retraining

• arxiv url: http://arxiv.org/abs/2609.31870v1
• Date: Fri, 25 Sep 2026 18:10:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 05:06:10.479211
• Title: Deep Reinforcement Learning for Equity Trading: Benchmarking Actor-Critic Methods with Forward Retraining
• Title（参考訳）: エクイティトレーディングのための深層強化学習:フォワードリトレーニングを用いたアクタクリティカルメソッドのベンチマーク
• Abstract要約: 株式市場は騒々しく、非定常的で、歴史的データから部分的にしか予測できないため、一貫して利益のあるトレーディングは難しい。 市場状態からエンドツーエンドの取引行動を学ぶための5つの深層強化学習(DRL)アクター批判手法をベンチマークする。 2000年から2020年までの20の大型資本化S&P500株の日次データを用いて、2000～2018年にトレーニングを行い、ミンマックススケーリングのバックテストを実施します。
• 参考スコア（独自算出の注目度）: 2.1253932244786307
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Consistently profitable trading is difficult because equity markets are noisy, non-stationary, and only partially predictable from historical data. We benchmark five deep reinforcement learning (DRL) actor-critic methods: A2C, PPO, DDPG, TD3, and SAC, that learn trading actions end-to-end from market states, and compare them with a supervised price-forecasting baseline. Using daily data for 20 large-capitalization S&P 500 stocks from 2000 to 2020, enriched with trend-following technical indicators and log min-max scaling, we train on 2000-2018 and backtest on 2019-2020. Each agent is evaluated both when trained once and under forward retraining, in which it is retrained on all data available before each successive test window. DDPG achieves the highest annual return (55.5%), Sharpe ratio (1.38), and alpha (0.22), but also the highest market beta (1.24). TD3 and SAC offer a better risk-return balance, with Sharpe ratios of 1.37 and 1.33 and maximum drawdowns of about 25%. Forward retraining improves A2C, PPO, and SAC, leaves TD3 essentially unchanged, and reduces DDPG's annual return from 55.5% to 29.8%, consistent with TD3's greater robustness to hyperparameters. The forecasting baseline has the smallest maximum drawdown (9.6%) and the lowest beta (0.31), underscoring a trade-off between the higher returns of end-to-end DRL and the lower risk of forecast-driven strategies.
• Abstract（参考訳）: 株式市場は騒々しく、非定常的で、歴史的データから部分的にしか予測できないため、一貫して利益のあるトレーディングは難しい。 A2C, PPO, DDPG, TD3, SACの5つの深層強化学習をベンチマークし, 市場状態からエンドツーエンドの取引行動を学習し, 価格予測ベースラインと比較した。 2000年から2020年までの20の大型資本化S&P500株の日次データを用いて、トレンド追跡技術指標とログミンマックスのスケーリングを豊かにし、2000-2018と2019-2020にトレーニングを行い、2019-2020にバックテストを行いました。 各エージェントは、1回トレーニングと2回のトレーニングで評価され、連続するテストウィンドウの前に利用可能なすべてのデータで再トレーニングされる。 DDPGは年間最高リターン(55.5%)、シャープ比(1.38)、アルファ(0.22)を達成しているが、最高市場ベータ(1.24)も達成している。 TD3とSACは、シャープ比が1.37と1.33でリスク・リターンバランスが良く、最大で約25%のダウンダウンを提供する。 前向きのトレーニングはA2C、PPO、SACを改善し、TD3は基本的に変化せず、DDPGの年間リターンは55.5%から29.8%に減少する。 予測ベースラインは最小の最大引下げ(9.6%)と最低ベータ(0.31)を持ち、エンド・ツー・エンドDRLのリターンの上昇と予測駆動戦略の低リスクとのトレードオフを暗示している。

関連論文リスト

• Tabular Deep Learning for Algorithmic Trading: Cross-Regime Bayesian Optimisation for Equity Signal Generation [0.0]
  5つのモデルクラスは、11年間で約300の米国株式から毎日の観測に基づいて訓練されている。 XGBoostとTabNetをランクアグリゲーションで組み合わせると、毎年51.26%のリターンを持つハイブリッドアンサンブルが生成される。 ほぼゼロに近いベータでは、このパフォーマンスは市場への露出ではなく、株価の選択によるものであることを示している。
  論文  参考訳（メタデータ） (2026-08-27T13:01:32Z)
• CLaC@FinMMEval 2026 Task 3: Sentiment-Augmented Deep Reinforcement Learning for Active Trading -- An Alpha-Reward Approach [0.0509780930114934]
  本稿では,ニュースおよび歴史的市場データを用いて,Bitcoin(BTC)とTesla(TSLA)の1日あたりの長期・フラット・短距離取引決定を必要とするCLEF 2026 FinMMEval Labのタスク3について述べる。 離散的なマルコフ決定過程として問題を定式化し、政策グラディエント(PG)、近似政策最適化(PPO)、深部Qラーニング(DQL)、深部決定主義政策グラディエント(PGPG)の4つの深部強化学習アルゴリズムを比較した。 BTCの場合、DDPGは1.58%のプラスリターンを達成し、買いと持ち株は-34.27%減少する
  論文  参考訳（メタデータ） (2026-07-17T15:01:35Z)
• FIPO: Eliciting Deep Reasoning with Future-KL Influenced Policy Optimization [84.58281577727566]
  本稿では,大規模言語モデルにおける推論ボトルネックを克服する強化学習アルゴリズムであるFuture-KL Influenced Policy Optimization (FIPO)を提案する。 FIPOは、割引先KLの分岐をポリシー更新に組み込むことでこの問題に対処し、その後の軌道行動への影響に基づいてトークンを再重み付けする密集した有利な定式化を作成する。 Qwen2.5-32Bで評価され、FIPOは平均チェーン長を約4,000から10,000以上のトークンに拡張し、AIME 2024 Pass@1の精度を50.0%から58.0%に向上させた。
  論文  参考訳（メタデータ） (2026-03-20T10:24:50Z)
• Hi-DARTS: Hierarchical Dynamically Adapting Reinforcement Trading System [1.764813029493129]
  Hi-DARTSは階層型マルチエージェント強化学習フレームワークである。 計算効率と市場の応答性のバランスをとる。 Hi-DARTSの累積リターンは25.17%、シャープ比は0.75だった。
  論文  参考訳（メタデータ） (2025-09-15T15:31:47Z)
• Squeeze the Soaked Sponge: Efficient Off-policy Reinforcement Finetuning for Large Language Model [56.92219181993453]
  本稿では,PPOやGRPOなどのオンラインRFT手法をオフ・ポリティクスデータに活用するために,Reincarnating Mix-policy Proximal Policy Gradient (ReMix)を提案する。 ReMix は,(1) 効率的なトレーニングのための更新データ(UTD)比が増大した混成政策勾配,(2) 安定性と柔軟性のトレードオフのバランスをとるためのKL-Convex 政策制約,(3) 効率的な早期学習から安定した改善へのシームレスな移行を実現するための政策再編成の3つの主要な構成要素から構成される。
  論文  参考訳（メタデータ） (2025-07-09T14:29:45Z)
• Stockformer: A Price-Volume Factor Stock Selection Model Based on Wavelet Transform and Multi-Task Self-Attention Networks [3.7608255115473592]
  本稿では,ウェーブレット変換とマルチタスク自己アテンションネットワークを統合した価格-体積係数ストックセレクションモデルであるStockformerを紹介する。 ストックフォーマーは、株価のリターンを高頻度と低頻度に分解し、長期市場の動向と急激な出来事を注意深く捉えている。 実験結果から、Stockformerは複数の実市場データセットにおいて、既存の先進的な手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-11-23T04:33:47Z)
• 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)
• Can ChatGPT Forecast Stock Price Movements? Return Predictability and Large Language Models [48.87381259980254]
  我々は、ChatGPTのような大規模言語モデル(LLM)が、直接の金融トレーニングなしでニュースの見出しから株式市場の反応を予測する能力について文書化している。 GPT-4は、認識後カットオフの見出しを使って、最初の市場の反応を捉え、取引不能な初期反応に対して、ポートフォリオの1日当たりのヒット率を約90%達成している。
  論文  参考訳（メタデータ） (2023-04-15T19:22:37Z)

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。