Yazar
Kabbani, Taylan, Duman, Ekrem
Basım Tarihi
2022
Basım Yeri
-
IEEE
Konu
Otonom aracı, Derin takviyeli öğrenme, MDP, Duyarlılık analizi, Hisse senedi piyasası, Teknik göstergeler, İkiz gecikmeli derin deterministik politika eğimi
Tür
Süreli Yayın
Dil
İngilizce
Dijital
Evet
Yazma
Hayır
Kütüphane
Özyeğin Üniversitesi
Demirbaş Numarası
2169-3536
Kayıt Numarası
b6722a2a-3815-4d39-bbdd-42e3b379d68d
Lokasyon
Endüstri Mühendisliği
Tarih
2022
Örnek Metin
Derin Güçlendirme Öğrenme (DRL) algoritmaları, daha önce çözülmesi zor sorunlara ölçeklenebilir. Borsada kar üretiminin otomasyonu, deneme yanılma yoluyla en uygun kararları vermek üzere çevreleriyle etkileşime girebilen tamamen özerk sistemler üretmek için finansal varlıkların fiyat 'tahmin' adımı ile portföyün 'tahsis' adımını tek bir birleşik süreçte birleştirerek DRL kullanılarak mümkündür. Bu çalışma, denetimli öğrenme yaklaşımlarının sınırlamalarını etkili bir şekilde aşarak borsada kârlı işlemler oluşturmaya yönelik 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 sonra formüle edilmiş POMDP problemini, görünmeyen veri seti (test verileri) üzerinde 2,68 Sharpe Oranı bildiren İkiz Gecikmeli Derin Deterministik Politika Gradyanı (TD3) algoritmasını kullanarak çözüyoruz. Hisse senedi piyasası tahmini ve akıllı karar verme mekanizması açısından bakıldığında, bu makale finansal piyasalarda DRL'nin diğer makine öğrenimi türlerine göre üstünlüğünü ortaya koymakta ve stratejik karar vermede güvenilirliğini ve avantajlarını kanıtlamaktadır.
DOI
10.1109/ACCESS.2022.3203697
Cilt
10
