رویکرد یادگیری تقویتی عمیق برای اتوماسیون معاملاتی در بازار سهام

عنوان رویکرد یادگیری تقویتی عمیق برای اتوماسیون معاملاتی در بازار سهام
نویسنده کابانی، تایلان، دومان، اکریم
تاریخ انتشار: 2022
محل انتشار - IEEE
موضوع عامل مستقل، یادگیری تقویتی عمیق، MDP، تحلیل احساسات، بازار سهام، شاخص‌های فنی، شیب سیاست قطعی عمیق دوقلو با تاخیر
نوع دوره ای
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه: دانشگاه اوزیغین
شناسه دارایی کتابخانه 2169-3536
شماره ثبت b6722a2a-3815-4d39-bbdd-42e3b379d68d
محل کتابخانه مهندسی صنایع
تاریخ 2022
متن نمونه الگوریتم‌های یادگیری تقویتی عمیق (DRL) می‌توانند به مسائل حل‌ناپذیر قبلی مقیاس شوند. اتوماسیون تولید سود در بازار سهام با استفاده از DRL، با ترکیب مرحله «پیش‌بینی» قیمت دارایی‌های مالی و مرحله «تخصیص» پرتفوی در یک فرآیند یکپارچه برای تولید سیستم‌های کاملاً مستقل قادر به تعامل با محیط خود برای تصمیم‌گیری بهینه از طریق آزمون و خطا امکان‌پذیر است. این کار نشان دهنده یک مدل DRL برای ایجاد معاملات سودآور در بازار سهام است که به طور موثر بر محدودیت های رویکردهای یادگیری نظارت شده غلبه می کند. ما مشکل معاملات را به عنوان یک مدل فرآیند تصمیم‌گیری مارکوف (POMDP) ​​با توجه به محدودیت‌های تحمیل‌شده توسط بازار سهام، مانند نقدینگی و هزینه‌های معامله، فرموله می‌کنیم. سپس مسئله POMDP فرموله‌شده را با استفاده از الگوریتم گرادیان خط‌مشی قطعی عمیق دوقلو (TD3) حل می‌کنیم که نسبت شارپ 2.68 را در مجموعه داده‌های دیده نشده (داده‌های آزمایشی) گزارش می‌کند. از نقطه نظر پیش‌بینی بازار سهام و مکانیسم تصمیم‌گیری هوشمند، این مقاله برتری DRL را در بازارهای مالی نسبت به سایر انواع یادگیری ماشین نشان می‌دهد و اعتبار و مزایای آن را در تصمیم‌گیری استراتژیک ثابت می‌کند.
DOI 10.1109/ACCESS.2022.3203697
Cilt 10
مشاهده در منبع دانشگاه اوزیغین دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات دانشگاه اوزیغین

رویکرد یادگیری تقویتی عمیق برای اتوماسیون معاملاتی در بازار سهام

نویسنده کابانی، تایلان، دومان، اکریم
تاریخ انتشار 2022
محل انتشار - IEEE
موضوع عامل مستقل، یادگیری تقویتی عمیق، MDP، تحلیل احساسات، بازار سهام، شاخص‌های فنی، شیب سیاست قطعی عمیق دوقلو با تاخیر
نوع دوره ای
زبان انگلیسی
دیجیتال بله
نسخه خطی خیر
کتابخانه دانشگاه اوزیغین
شناسه دارایی کتابخانه 2169-3536
شماره ثبت b6722a2a-3815-4d39-bbdd-42e3b379d68d
محل کتابخانه مهندسی صنایع
تاریخ 2022
متن نمونه الگوریتم‌های یادگیری تقویتی عمیق (DRL) می‌توانند به مسائل حل‌ناپذیر قبلی مقیاس شوند. اتوماسیون تولید سود در بازار سهام با استفاده از DRL، با ترکیب مرحله «پیش‌بینی» قیمت دارایی‌های مالی و مرحله «تخصیص» پرتفوی در یک فرآیند یکپارچه برای تولید سیستم‌های کاملاً مستقل قادر به تعامل با محیط خود برای تصمیم‌گیری بهینه از طریق آزمون و خطا امکان‌پذیر است. این کار نشان دهنده یک مدل DRL برای ایجاد معاملات سودآور در بازار سهام است که به طور موثر بر محدودیت های رویکردهای یادگیری نظارت شده غلبه می کند. ما مشکل معاملات را به عنوان یک مدل فرآیند تصمیم‌گیری مارکوف (POMDP) ​​با توجه به محدودیت‌های تحمیل‌شده توسط بازار سهام، مانند نقدینگی و هزینه‌های معامله، فرموله می‌کنیم. سپس مسئله POMDP فرموله‌شده را با استفاده از الگوریتم گرادیان خط‌مشی قطعی عمیق دوقلو (TD3) حل می‌کنیم که نسبت شارپ 2.68 را در مجموعه داده‌های دیده نشده (داده‌های آزمایشی) گزارش می‌کند. از نقطه نظر پیش‌بینی بازار سهام و مکانیسم تصمیم‌گیری هوشمند، این مقاله برتری DRL را در بازارهای مالی نسبت به سایر انواع یادگیری ماشین نشان می‌دهد و اعتبار و مزایای آن را در تصمیم‌گیری استراتژیک ثابت می‌کند.
DOI 10.1109/ACCESS.2022.3203697
Cilt 10
دانشگاه اوزیغین - موتور جستجوی آثار تاریخی، آرشیوها و نشریات
دانشگاه اوزیغین شما در حال هدایت مجدد هستید...

لطفاً صبر کنید