Data Cross-Segmentation for Improved Generalization in Reinforcement Learning Based Algorithmic Trading

要約

アルゴリズム取引システムでの機械学習の使用はますます一般的になっています。
一般的な設定では、教師あり学習を使用して資産の将来の価格を予測し、それらの予測に基づいてシンプルな取引および約定戦略を推進します。
これは、予測に十分なシグナルがあり、市場が流動的で、取引コストが低い場合に非常に効果的です。
しかし、これらの条件は、取引の少ない金融市場や、不動産や車両などの差別化された資産の市場では当てはまらないことがよくあります。
これらの市場では、取引戦略は、比較的変更が難しいポジションを取ることによる長期的な影響を考慮する必要があります。
この研究では、学習された予測モデルからのシグナルに基づいて取引を行い、これらの課題に対処する強化学習 (RL) アルゴリズムを提案します。
私たちは、ブルサ マレーシアからの 20 年以上の株式データに基づいてアルゴリズムをテストします。

要約(オリジナル)

The use of machine learning in algorithmic trading systems is increasingly common. In a typical set-up, supervised learning is used to predict the future prices of assets, and those predictions drive a simple trading and execution strategy. This is quite effective when the predictions have sufficient signal, markets are liquid, and transaction costs are low. However, those conditions often do not hold in thinly traded financial markets and markets for differentiated assets such as real estate or vehicles. In these markets, the trading strategy must consider the long-term effects of taking positions that are relatively more difficult to change. In this work, we propose a Reinforcement Learning (RL) algorithm that trades based on signals from a learned predictive model and addresses these challenges. We test our algorithm on 20+ years of equity data from Bursa Malaysia.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google