A Novel Deep Reinforcement Learning Based Automated Stock Trading System Using Cascaded LSTM Networks

要約

深層強化学習（DRL）アルゴリズムを使用して株式取引戦略が構築されることが増えていますが、もともとゲームコミュニティで広く使用されていたDRL手法は、信号対雑音比が低く不均一な財務データに直接適応できないため、パフォーマンスが低下します。
欠点。
この論文では、隠された情報を捕捉するために、カスケード LSTM を使用した DRL ベースの株式取引システムを提案します。このシステムでは、最初に LSTM を使用して株式毎日のデータから時系列特徴を抽出し、次に抽出された特徴がトレーニングのためにエージェントに供給されます。
、強化学習の戦略関数もトレーニングに別の LSTM を使用します。
米国市場の DJI と中国株式市場の SSE50 での実験では、当社のモデルが累積リターンとシャープ比率の点で以前のベースライン モデルを上回っていることが示されており、この利点は合併市場である中国株式市場でより顕著です。
これは、私たちの提案した方法が自動株式取引システムを構築するための有望な方法であることを示しています。

要約(オリジナル)

More and more stock trading strategies are constructed using deep reinforcement learning (DRL) algorithms, but DRL methods originally widely used in the gaming community are not directly adaptable to financial data with low signal-to-noise ratios and unevenness, and thus suffer from performance shortcomings. In this paper, to capture the hidden information, we propose a DRL based stock trading system using cascaded LSTM, which first uses LSTM to extract the time-series features from stock daily data, and then the features extracted are fed to the agent for training, while the strategy functions in reinforcement learning also use another LSTM for training. Experiments in DJI in the US market and SSE50 in the Chinese stock market show that our model outperforms previous baseline models in terms of cumulative returns and Sharp ratio, and this advantage is more significant in the Chinese stock market, a merging market. It indicates that our proposed method is a promising way to build a automated stock trading system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google