May, 2024

外汇市场多智能体异步分布的交易优化深度强化学习方法

PDF
TL;DR这项研究开创性地应用了多智能体强化学习（MA RL）框架与最先进的异步优势演员 - 评论家（A3C）算法，结果表明此方法可以更广泛和更快地探索不同的货币对，显著提高交易收益。此外，代理可以在较短时间内学习到更有利可图的交易策略。
algorithmic tradingdeep learning techniquesreinforcement learningmulti-agent rl frameworktrading returns
发现论文，激发创造
  • 双重 A3C：在 OpenAI Gym 游戏上的深度强化学习

    本文介绍了如何使用双重 A3C 算法和神经网络来最大化智能体在未知环境中的奖励，并在 OpenAI Gym Atari 2600 游戏中超越了基准。

    Mar, 2023

  • 基于深度策略梯度方法的商品交易

    深度强化学习方法在算法性商品交易中的有效性进行了研究，提出了一种新的离散化方案，通过优化交易成本和风险敏感的交易代理来提高 DRL 模型的性能，并且该模型在天然气期货交易中表现出较高的夏普比率及一定的风险自定义能力。

    Aug, 2023

  • 结合订单簿的深度学习和强化学习进行盈利交易

    应用深度学习和强化学习结合，利用订单流量失衡进行多时间段预测收益的研究，为五种金融工具提供交易信号，并通过回测模拟和前期测试在零售交易平台验证了模型的潜力，但还需要进一步修改以应对零售交易成本、滑点和点差的波动。

    Oct, 2023

  • 使用深度强化学习进行加密货币市场交易的盈利策略设计

    本研究使用深度强化学习算法 ——PPO、SAC、GAIL，针对三个加密货币市场的交易策略设计问题，通过价格数据和技术指标，实现了基于 Gym 仿真环境的交易策略，测试结果表明该方法有望帮助投资者在市场中获得更高的收益率，且最高收益率为 4850 美元。同时，我们还探讨了在环境设计中特定超参数的使用，可以用于调整所生成策略中的风险。

    Jan, 2022

  • 深度强化学习的投资组合管理

    提出了一种以权重分配为中心的投资组合管理器，可以在后定格式市场上执行金融交易，并超过传统投资组合管理器的风险调整收益。

    May, 2024

  • 深度强化学习的异步方法

    提出一种使用异步梯度下降法优化深度神经网络控制器的深度强化学习框架，演示了四种标准强化学习算法的异步变体，并表明并行 actor-learner 对训练具有稳定作用。其中最佳表现的方法，即 actor-critic 的异步变体，在 Atari 领域超越了现有的最佳表现，并且仅在单个多核 CPU 上训练一半的时间而不是 GPU。此外，还演示了异步 actor-critic 成功处理了各种连续运动控制问题以及使用视觉输入导航随机 3D 迷宫的新任务。

    Feb, 2016

  • 交易的深度强化学习

    采用深度强化学习算法设计交易策略，测试其在 50 种流动性最强的期货合约中的表现，并对商品、股票指数、固定收益和外汇市场等不同资产类别进行研究，证明该算法可以超越传统的时间序列动量策略模型，在重交易成本情况下实现正收益，且能够跟随市场趋势不改变仓位，并在调整期间进行缩减或持有。

    Nov, 2019

  • 在异步深度强化学习中使用蒙特卡罗树搜索作为演示器

    本文介绍了一种新的深度强化学习方法 Asynchronous Advantage Actor-Critic (A3C-TP)，并提出一种新的框架，将规划算法和异步分布式深度强化学习方法相结合，相对于传统方法，提高了学习速度和收敛策略的能力。

    Nov, 2018

  • 基于数据跨分割的强化学习算法交易中的改进泛化

    在这项研究中，我们提出了一种用于算法交易的强化学习（RL）算法，该算法基于来自学习预测模型的信号并解决了在薄交易金融市场和不同资产市场中交易策略必须考虑更难改变的持仓的长期影响这些挑战。我们在马来西亚证券交易所 20 多年的股票数据上测试了我们的算法。

    Jul, 2023

  • 多智能体强化学习模拟加密市场

    通过使用多智能体强化学习模型，对加密货币市场进行建模和仿真，该模型根据 2018 年至 2022 年间 Binance 交易的 153 种加密货币的每日收盘价进行校准，利用市场价格和加密资产基本价值的近似值进行资产价格估值，从而精确模拟加密货币市场的微观结构和关键市场行为。

    Feb, 2024