Naša naloga je imela tri glavne cilje. Prvi cilj je bil ustvariti agenta za portfeljsko trgovanje z delnicami, ki bi uporabljal nevronske mreže za napovedovanje porazdelitev cen delnic. To bi omogočilo trgovalcem, ne le da ocenijo prihodnje trende v ceni določene delnice, ampak tudi da napovejo, kolikšno je tveganje, povezano s to delnico. Drugi cilj je bil izboljšati dobičkonosnost tega agenta z uporabo izgub, posebej zasnovanih za napovedovanje cen delnic. Tretji cilj je bil ustvariti realistično borzno okolje za simuliranje trgovanja, s pomočjo katerega smo ocenili uspešnost naših modelov. Razvili smo več nevronskih mrež in jih primerjali z bolj tradicionalnimi pristopi za napovedovanje časovnih nizov. Za oceno negotovosti smo uporabili Monte-Carlo dropout ali kvantilno funkcijo izgube. Za nadaljnje izboljšanje rezultatov so agenti uporabljali dve tehnike za optimizacijo portfelja: optimizacija pričakovanega donosa, ki ni upoštevala negotovosti pri sprejemanju odločitev, in optimizacija z verjetnostnimi pogoji, ki jo je upoštevala. Na podlagi naših eksperimentov sklepamo, da provizije za trgovanje močno vplivajo na dobičkonosnost agenta. Najbolj dobičkonosni modeli so bili časovni fuzijski transformator in preprosta nevronska mreža, z uporabo katerih je agent dosegel dobiček v višini 65% za rezidente ZDA in 19% za rezidente drugih držav. Prilagojena funkcija izgube je bila slabša od srednje kvadratne napake. Kar zadeva optimizatorje, je optimizacija z verjetnostnimi pogoji povečala dobičkonosnost agentov, vendar je bolj tvegana, saj ni mogla zagotoviti določene ravni tveganja za uporabnika.
|
