Using Reinforcement Learning in the Algorithmic Trading Problem

abstract

강화학습 방법의 개발은 algorithmic trading을 포함한 많은 분야로 적용 범위를 넓혔다. 

이 논문에서는 증권 거래소의 상태, 행동, 및 보상으로 구성된 Markov 속성을 가진 게임으로 해석된다. 

금융상품의 고정된 volume을 거래하기 위한 시스템이 제안되고 실험적으로 테스트된다. 

이는 여러 신경망 아키텍처를 사용하는 asynchronous advantage actor-critic method에 기초한다. 

이 접근법에서 반복 레이어의 적용을 조사한다. 

이 논문에서 실행된 실험은 실제 익명화된 데이터에 대해 수행되었다. 

최고의 아키텍처는 연간 66%의 수익성을 가진 RTS Index futures에 대한 거래 전략을 증명하였다.