算法交易
以電子遊戲的方式預測金融市場？
DeepMind已經展示了強化機器學習代理的驚人能力，可以勝任玩 Atari 影片遊戲。最令人震驚的是，在訓練過程中，只提供了遊戲的圖像幀和分數給
deep Q-network（DQN）。代理學習了適當的動作來準確地玩遊戲並勝任操作，而無需對原始碼或網路超參數進行任何特定的調整。它只需要對大量遊戲序列進行訓練即可學習新遊戲。這項技術能否切實可行地適應機器學習代理在金融市場上採取有能力和適當的交易行動？就像打乒乓球一樣，但在市場上？一個高分會很令人愉快！
有沒有人有經驗來表達或建議如何進行實際實驗？
這是個有趣的問題。
我會重新表述你的問題，並嘗試回答為什麼使用神經網路不是預測市場方向的好主意。
恕我直言，一個主要原因是不可能在不修改市場行為的情況下試驗一種策略，因此不可能一次又一次地重複相同的試驗，這是培訓的先決條件。
打個比方，電子遊戲機器學習，就好像當你重新開始關卡時，你失去的陷阱已經被你以前從未想過的新陷阱所取代。
我鼓勵其他 quant.stackexchange 成員分享他們對該主題的看法。
Z. Jiang、D. Xu、J. Liang，在針對金融投資組合管理問題的深度強化學習框架中。展示用於交易的深度 RL 框架。該方法基於張量流，並使用類似於 Deepmind 用於影片遊戲的 Open AI Gym 的想法！
在我的部落格Optimizing a Portfolio of Cryptocurrencies with Deep Reinforcement Learning 中，我拿起了他們的框架，看看在加密貨幣崩潰後相同的策略是如何執行的。
請看一看！