A Deep Ensemble Reinforcement Learning Based Approach For Stock Trading

Abstract

Algoritmik ticaret, kantitatif ticaret olarak da bilinir, finans ve teknoloji endüstrilerinde önemli bir rol oynar. Borsa yatırımcılarının alım satım işlemlerinde kullandıkları bazı analitik yöntemlerin yerini alan algoritmik ticaret, makine öğrenimi ve derin öğrenmedeki gelişmelerden yararlanarak karmaşık verilerden anlam çıkarmada derin öğrenme yöntemlerinin yeteneğinden yararlanır. Bu çalışmada, topluluk öğrenmesi adı verilen bir çerçeve, derin öğrenme yöntemi olan takviyeli öğrenme ile birleştirildi. Eğitilmiş takviyeli öğrenme aracısı, Standard & Poors 500 (GSPC) endeksinin 2011 verileri üzerinde test edildi ve 2.258,27 $ kar marjı elde edildi. Önerilen yapıda, Uzun Kısa Süreli Bellek (LSTM) aracısı zaman serisi verilerini işlerken, Evrişimli Sinir Ağı (CNN) aracısı bu verilerden oluşturulan bir görüntüyü girdi olarak kullandı. Bu girdilerden elde edilen tahminler birleştirildi ve nihai sonuç bir Derin Q Ağı (DQN) modelinden türetildi, böylece topluluk öğrenme yapısı oluşturuldu. Sonuçlar, literatürdeki benzer çalışmalarda, topluluk öğrenme yöntemi kullanılarak yapılan tahminlerin, ajanlar ve yöntemler tarafından yapılan bireysel tahminlere kıyasla daha yüksek kazançlar sağladığını göstermektedir.