論文の概要: Financial Context-Rich Strategy for Actor-Critic based Agents: A Deep Reinforcement Learning Approach for Stock Trading

• arxiv url: http://arxiv.org/abs/2610.32237v1
• Date: Fri, 23 Oct 2026 06:46:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.412323
• Title: Financial Context-Rich Strategy for Actor-Critic based Agents: A Deep Reinforcement Learning Approach for Stock Trading
• Title（参考訳）: アクター・クリティカル・エージェントのための金融コンテキスト・リッチ戦略:ストックトレーディングのための深層強化学習アプローチ
• Abstract要約: 感傷的分析の部分的および深い注入に基づくDRLアプローチを提案する。 アクター批判に基づくエージェントのポリシー設計が特徴であり、政策最適化(A2CとPPO)と政策最適化とQ-ラーニングの原則のみである。 その結果, 政策最適化に基づくエージェントとQ-ラーニングを併用したエージェントは, 収益逆トレーディングにおける感情の深層注入によるパフォーマンスを著しく, 一貫して向上させることが判明した。
• 参考スコア（独自算出の注目度）: 0.4154714580436712
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In modern financial markets, more than 3/4th of the large volume trade is executed by algorithmic trading based on advanced trading strategies to attain higher precision and speed than traditional human traders. The conventional strategies focused on price-based indicators are inadequate in capturing the market dynamism arising from real-world events such as social sentiments, political instability, or sudden economic shifts. With the rise of Deep Reinforcement Learning (DRL) and data availability, there is a requirement for more efficient algorithms that can incorporate these external factors in trading strategies. DRL has shown potential in simulating real-world scenarios and in simplifying complex decision-making since DRL agents can automate the trading process i.e. executing trades in a manner comparable to human traders. They have shown reliable performance since they can update their policies based on risk and quantitative factors. In this paper, we propose a DRL approach based on partial and deep-infusion of sentimental analysis. It features distinct policy designs of actor-critic-based agents: only policy optimization (A2C & PPO) and policy optimization along with Q-learning principles (DDPG, TD3 & SAC). Our findings reveal, that the agents based on policy optimization combined with Q-learning, significantly and consistently demonstrate improved performance upon sentiment deep-infusion in profit maximization as well as risk-averse trading.
• Abstract（参考訳）: 現代の金融市場では、大規模な取引の3/4以上は、従来の人的取引者よりも高精度で高速な取引戦略に基づくアルゴリズム取引によって行われる。 価格に基づく指標に焦点を当てた従来の戦略は、社会的感情や政治的不安定性、あるいは突然の経済変化といった現実の出来事から生じる市場ダイナミズムを捉えるのに不十分である。 深層強化学習(DRL)とデータ可用性の向上により、これらの外部要因を貿易戦略に組み込むことのできる、より効率的なアルゴリズムが求められている。 DRLは、現実世界のシナリオをシミュレートし、DRLエージェントが取引プロセス、すなわち人間のトレーダーに匹敵する方法で取引を実行することができるため、複雑な意思決定を単純化する可能性を示している。 リスクと量的要因に基づいてポリシーを更新できるため、信頼性の高いパフォーマンスを示している。 本稿では,感情分析の部分的および深い注入に基づくDRLアプローチを提案する。 政策最適化(A2C & PPO)と政策最適化(DDPG, TD3 & SAC)のみである。 その結果, 政策最適化に基づくエージェントとQラーニングを併用したエージェントは, 収益の最大化およびリスク・アバーストレーディングにおいて, センセーショナル・インフュージョンによるパフォーマンスの向上を著しく, 一貫して示していることがわかった。

関連論文リスト

• Right Place, Right Time: Market Simulation-based RL for Execution Optimisation [0.0]
  最適な実行戦略を発見するための強化学習フレームワークを提案する。 我々はこのフレームワークをリアクティブエージェントベースの市場シミュレーターで評価する。 その結果、RL由来の戦略はベースラインを一貫して上回り、効率的なフロンティア付近で機能することがわかった。
  論文  参考訳（メタデータ） (2025-10-25T08:10:18Z)
• Robust Reinforcement Learning in Finance: Modeling Market Impact with Elliptic Uncertainty Sets [57.179679246370114]
  金融分野では、強化学習(RL)エージェントは、価格に影響を与えない歴史的データに基づいて訓練されることが多い。 展開中、これらのエージェントは、自身の取引が資産価格を変えることができるライブマーケットで取引する。 従来のロバストなRLアプローチは、不確実性の集合に対して最悪のパフォーマンスを最適化することで、このモデルの誤特定に対処する。 楕円型不確実性集合の新たなクラスを開発し,効率的かつ堅牢な政策評価を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T18:22:25Z)
• Trade in Minutes! Rationality-Driven Agentic System for Quantitative Financial Trading [57.28635022507172]
  TiMiは、アーキテクチャ上、戦略開発を分単位のデプロイメントから切り離す合理性駆動型マルチエージェントシステムである。 本稿では,マクロパターンからマイクロカスタマイズ,トレーディングボット実装のための階層型プログラミング設計,数学的リフレクションによって駆動されるクローズドループ最適化までの2層解析パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-10-06T13:08:55Z)
• Your Offline Policy is Not Trustworthy: Bilevel Reinforcement Learning for Sequential Portfolio Optimization [82.03139922490796]
  強化学習(Reinforcement Learning, RL)は、過去のデータを用いたリスクを最小限にしつつ累積リターンを最大化することを目的とした、株式取引のような逐次的ポートフォリオ最適化タスクにおいて、大きな可能性を示してきた。 従来のRLアプローチは、固定データセット内での振る舞いの購入と販売を最適に記憶するだけのポリシーを生成することが多い。 当社のアプローチでは,ポートフォリオ最適化を新たなタイプの部分オフラインRL問題として捉え,2つの技術的貢献を行う。
  論文  参考訳（メタデータ） (2025-05-19T06:37:25Z)
• Risk-averse policies for natural gas futures trading using distributional reinforcement learning [0.0]
  本稿では,天然ガス先物取引における3つの分散RLアルゴリズムの有効性について検討する。 私たちの知る限りでは、これらのアルゴリズムはトレーディングの文脈で一度も適用されていない。 CVaR を最大化するために C51 と IQN を訓練すると, リスク回避性のあるリスク感受性ポリシーが得られた。
  論文  参考訳（メタデータ） (2025-01-08T11:11:25Z)
• Hierarchical Reinforced Trader (HRT): A Bi-Level Approach for Optimizing Stock Selection and Execution [0.9553307596675155]
  本稿では,階層強化学習フレームワークを用いた新たなトレーディング戦略である階層強化トレーサ(HRT)を紹介する。 HRTは、戦略的株式選択のためのPPO(Proximal Policy Optimization)ベースのHigh-Level Controller(HLC)をDDPG(Deep Deterministic Policy Gradient)ベースのLow-Level Controller(LLC)と統合する。
  論文  参考訳（メタデータ） (2024-10-19T01:29:38Z)
• 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)
• IMM: An Imitative Reinforcement Learning Approach with Predictive Representation Learning for Automatic Market Making [33.23156884634365]
  強化学習技術は量的取引において顕著な成功を収めた。 既存のRLベースのマーケットメイキング手法のほとんどは、単価レベルの戦略の最適化に重点を置いている。 Imitative Market Maker (IMM) は、準最適信号に基づく専門家の知識と直接的な政策相互作用の両方を活用する新しいRLフレームワークである。
  論文  参考訳（メタデータ） (2023-08-17T11:04:09Z)
• MetaTrader: An Reinforcement Learning Approach Integrating Diverse Policies for Portfolio Optimization [17.759687104376855]
  ポートフォリオ管理のための新しい2段階的アプローチを提案する。 最初の段階では、強化学習フレームワークに模倣学習を組み込む。 第2段階では、メタ政治を学び、市場状況を認識し、従うべき最も適切な学習方針を決定する。
  論文  参考訳（メタデータ） (2022-09-01T07:58:06Z)

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。