Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Chiến lược Giao dịch Cổ phiếu Dựa trên Học Tăng cường Điều khiển Bởi Phân loại Điểm Chuyển hướng
Tóm tắt
Động lực và độ phức tạp của thị trường chứng khoán làm cho các nhà đầu tư gặp khó khăn trong việc xây dựng một chiến lược giao dịch ổn định và có lợi nhuận cao. Để đối mặt với những thách thức này, một chiến lược giao dịch cổ phiếu mới được đề xuất nhằm giúp các nhà đầu tư đưa ra quyết định tốt hơn trong bài báo này. Chiến lược này bao gồm hai bước chính: phân loại điểm chuyển hướng và mô-đun học tăng cường. Đầu tiên, máy gia tốc gradient nhẹ (LightGBM) được sử dụng để trích xuất và phân loại các điểm chuyển hướng. Thứ hai, Mạng Q Sâu (DQN) và các mô hình liên quan được sử dụng để đào tạo và hình thành một tập hợp các chiến lược giao dịch dựa trên học tăng cường. Để đạt được lợi nhuận cao hơn và kiểm soát rủi ro hiệu quả, các điều kiện kích hoạt giao dịch được thiết lập để kết hợp hai phần trên. Trong nghiên cứu thực nghiệm, chiến lược giao dịch này có thể đạt được lợi nhuận cao hơn trong quá trình kiểm tra lại so với việc giữ lâu dài, sử dụng học tăng cường đơn lẻ và chiến lược diễn viên-đánh giá.
Từ khóa
#Thị trường chứng khoán #chiến lược giao dịch #học tăng cường #phân loại điểm chuyển hướng #LightGBM #DQNTài liệu tham khảo
Zhang P, Shi X, Khan SU (2019) IEEE Trans Big Data 5:564–575. https://doi.org/10.1109/TBDATA.2018.2847629. QuantCloud: Enabling Big Data Complex Event Processing for Quantitative Finance Through a Data-Driven Execution
Rundo T, di Stallo B (2019) Machine Learning for Quantitative Finance Applications: A Survey. Appl Sci 9:5574. https://doi.org/10.3390/app9245574
Cao J, Li Z, Li J, Physica A (2019) :Statistical Mechanics and its Applications519:127–139. https://doi.org/10.1016/j.physa.2018.11.061
Chen S, Ge L (2019) Exploring the attention mechanism in LSTM-based Hong Kong stock price movement prediction. Quant Finance 19:1507–1515. https://doi.org/10.1080/14697688.2019.1622287
Henrique BM, Sobreiro VA, Kimura H (2018) Stock price prediction using support vector regression on daily and up to the minute prices. J Finance Data Sci 4:183–201. https://doi.org/10.1016/j.jfds.2018.04.003
Kim HY, Won CH (2018) Forecasting the volatility of stock price index: A hybrid model integrating LSTM with multiple GARCH-type models. Expert Syst Appl 103:25–37. https://doi.org/10.1016/j.eswa.2018.03.002
Luo L, Chen X (2013) Integrating piecewise linear representation and weighted support vector machine for stock trading signal prediction. Appl Soft Comput 13:806–816. https://doi.org/10.1016/j.asoc.2012.10.026
Chang P-C, Wu J-L, Lin J-J (2016) A Takagi–Sugeno fuzzy model combined with a support vector regression for stock trading forecasting. Appl Soft Comput 38:831–842. https://doi.org/10.1016/j.asoc.2015.10.030
Chen Y, Hao Y (2018) Integrating principle component analysis and weighted support vector machine for stock trading signals prediction. Neurocomputing 321:381–402. https://doi.org/10.1016/j.neucom.2018.08.077
Zhou F, Zhang Q, Sornette D, Jiang L (2019) Cascading logistic regression onto gradient boosted decision trees for forecasting and trading stock indices. Appl Soft Comput 84:105747. https://doi.org/10.1016/j.asoc.2019.105747
Li X, Deng Z, Luo J (2009) Trading strategy design in financial investment through a turning points prediction scheme. Expert Syst Appl 36:7818–7826. https://doi.org/10.1016/j.eswa.2008.11.014
Cui L, Long W (2016) Trading strategy based on dynamic mode decomposition: Tested in Chinese stock market. Physica A 461:498–508. https://doi.org/10.1016/j.physa.2016.06.046
Chang Y-H, Lee M-S (2017) Incorporating Markov decision process on genetic algorithms to formulate trading strategies for stock markets. Appl Soft Comput 52:1143–1153. https://doi.org/10.1016/j.asoc.2016.09.016
Wen D, Ma C, Wang G-J, Wang S (2018) Investigating the features of pairs trading strategy: A network perspective on the Chinese stock market. Physica A 505:903–918. https://doi.org/10.1016/j.physa.2018.04.021
Carapuço J, Neves R, Horta N (2018) Reinforcement learning applied to Forex trading. Appl Soft Comput 73:783–794. https://doi.org/10.1016/j.asoc.2018.09.017
Javadpour A, Saedifar K, Wang G, Li K-C (2020) Optimal Execution Strategy for Large Orders in Big Data: Order Type using Q-learning Considerations. Wirel Pers Commun 112:123–148. https://doi.org/10.1007/s11277-019-07019-0
Li Y, Ni P, Chang V (2020) Application of deep reinforcement learning in stock trading strategies and stock forecasting. Computing 102:1305–1322. https://doi.org/10.1007/s00607-019-00773-w
Li Y, Zheng W, Zheng Z (2019) Deep Robust Reinforcement Learning for Practical Algorithmic Trading. IEEE Access 7:108014–108022. https://doi.org/10.1109/ACCESS.2019.2932789
Wu X, Chen H, Wang J et al (2020) Adaptive stock trading strategies with deep reinforcement learning methods. Inf Sci 538:142–158. https://doi.org/10.1016/j.ins.2020.05.066
Carta S, Ferreira A, Podda AS et al (2021) Multi-DQN: An ensemble of Deep Q-learning agents for stock market forecasting. Expert Syst Appl 164:113820. https://doi.org/10.1016/j.eswa.2020.113820
Luo S, Lin X, Zheng Z (2019) A novel CNN-DDPG based AI-trader: Performance and roles in business operations. Transp Res E 131:68–79. https://doi.org/10.1016/j.tre.2019.09.013
Yuan Y, Wen W, Yang J (2020) Using Data Augmentation Based Reinforcement Learning for Daily Stock Trading. Electronics 9:1384. https://doi.org/10.3390/electronics9091384
Sattarov O, Muminov A, Lee CW et al (2020) Recommending Cryptocurrency Trading Points with Deep Reinforcement Learning Approach. Appl Sci 10:1506. https://doi.org/10.3390/app10041506
Zhang J, Xiao W, Li Y (2021) Data and Knowledge Twin Driven Integration for Large-Scale Device-Free Localization. IEEE Internet Things J 8:320–331. https://doi.org/10.1109/JIOT.2020.3005939
Xiao W, Zhang J, Li Y et al (2017) Class-specific cost regulation extreme learning machine for imbalanced classification. Neurocomputing 261:70–82. https://doi.org/10.1016/j.neucom.2016.09.120
Li Y, Zhang S, Yin Y et al (2018) Parallel one-class extreme learning machine for imbalance learning based on Bayesian approach. J Ambient Intell Human Comput. https://doi.org/10.1007/s12652-018-0994-x