Yazar
Kabbani, Taylan
Basım Tarihi
2022-06-07T12:36:52Z
Tür
Belge
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Kayıt Numarası
c7cfc9db-8f65-468f-b072-9a6593005f8b
Lokasyon
Veri Bilimi Bölümü
Tarih
2022-06-07T12:36:52Z
Örnek Metin
Derin Güçlendirme Öğrenme (DRL) algoritmaları, daha önce çözülmesi zor sorunlara ölçeklenebilir. Borsada kar üretiminin otomasyonu, DRL kullanılarak mümkündür; bu, finansal varlıkların fiyat "tahmin" adımı ile portföyün "tahsis" adımını tek bir birleşik süreçte birleştirerek, deneme yanılma yoluyla en uygun kararları vermek üzere çevresi ile etkileşime girebilen tamamen özerk bir sistem üretmektir. Bu çalışmada, alım satım temsilcisine, portföyün pozisyonlarını her zaman adımında kademeli olarak ayarlama (yatırımları dinamik olarak yeniden tahsis etme) yeteneği kazandırmak için sürekli bir eylem alanı yaklaşımı benimsenmiş, bu da daha iyi aracı-çevre etkileşimi ve öğrenme sürecinin daha hızlı yakınlaşmasıyla sonuçlanmıştır. Ayrıca yaklaşım, tek bir varlık yerine birden fazla varlığın yer aldığı bir portföyün yönetilmesini desteklemektedir. Bu çalışma, denetimli öğrenme yaklaşımlarının sınırlamalarını etkili bir şekilde aşarak borsada karlı işlemler oluşturmaya yönelik yeni bir DRL modelini temsil etmektedir. Alım satım problemini, likidite ve işlem maliyetleri gibi borsanın dayattığı kısıtlamaları göz önünde bulundurarak, Kısmen Gözlenen Markov Karar Süreci (POMDP) modeli olarak formüle ediyoruz. Daha spesifik olarak, her bir hisse senedi için on farklı teknik gösterge ve haber makalelerinin duygu analizi ile durum temsilini güçlendirerek gerçek dünyadaki ticaret sürecini simüle eden bir ortam tasarlıyoruz. Daha sonra formüle edilen POMDP problemini İkiz Gecikmeli Derin Deterministik Politika Gradyanı (TD3) algoritmasını kullanarak çözdük ve test veri kümesinde 2,68 Sharpe oranına ulaştık. Hisse senedi piyasası tahmini ve akıllı karar verme mekanizması açısından bakıldığında bu çalışma, finansal piyasalarda derin takviyeli öğrenmenin denetimli öğrenme gibi diğer makine öğrenimi türlerine göre üstünlüğünü ortaya koymakta ve DRL kullanarak stratejik karar vermenin güvenilirliğini ve avantajlarını kanıtlamaktadır. yanılma yoluyla optimal kararları almak için iklimlendirmesiyle izin veren tamamen özerk bir sistem kaydı için DRL mümkündür. Bu, alım-satım aracının portföyündeki pozisyonlarını her zaman için dağıtma olarak ayarlama (yatırımları dinamik olarak yeniden dağıtma) özelliği vermek için sürekli bir eylem alanı yaklaşımı benimsenmiştir, bu da daha iyi aracı-ortam iletimi ve aktarım işleminin daha hızlı yakınsaması ile sonuçlanmıştır. Ayrıca tek bir varlığın yerine birkaç varlık içeren bir portföyün kapsamını da içermektedir. Bu çalışma, denetimli öğrenme yaklaşımlarının sınırlamalarını etkin bir şekilde aşarak borsada karlı işlemler oluşturmak için yeni bir DRL temsil etmektedir. Ticaret problemini, likidite ve işlem maliyetlerini gibi hisse piyasasının getirdiği sınırlamaları dikkate alarak Kısmen Gözlenen Markov Karar Süreci (POMDP) modeli olarak formüle ediyoruz. Daha spesifik olarak, farklı teknik gösterge ve haber makalelerinin duygu analizi ile durum temsilini artırarak gerçek zamanlı ticaret sürecini simüle eden bir ortam tasarlıyoruz. Daha sonra formüle edilmiş POMDP problemini Twin Delayed Deep Deterministic Policy Gradient (TD3) kullanarak çözmeyi ve test veri setinde 2.68 Sharpe oranını kullandık. Hisse senedi piyasa tahminleri ve akıllı karar verme oranları oranları, finansal piyasalarda derin pekiştirilmesinin denetimli öğrenme gibi diğer makine seçeneklerii türlerine göre üstünlüğünü gösterirken, aynı zamanda DRL yaklaşımının güvenilirliğini ve mevcut karar vermenin avantajlarını kanıtlamaktadır.
