Dissertação
Deep Q-learning with PCA and Prioritized Experience Replay for Trading in the Forex Market EVALUATED
Esta tese apresenta uma abordagem que combina Análise Técnica e Análise de Componentes Principais (ACP) com uma Rede Q-profunda (RQP) usando Dupla Q-aprendizagem e Repetição de Experiência Priorizada para gerar decisões de investimento capazes de alcançar ganhos financeiros a longo prazo com baixo risco financeiro. A Análise Técnica extrai características dos dados financeiros. O PCA transforma as características extraídas que têm uma dimensão muito alta em características com baixa dimensão mantendo a essência das características originais. O DQN usa as características de baixa dimensão para aprender padrões de mercado abstratos e robustos e aprende a prever as melhores decisões de investimento para os estados do mercado. A abordagem proposta foi testada com dados financeiros reais de cinco mercados Forex usando custos de transação. Dois diferentes tipos de funções de estado e três de recompensa foram propostas para o algoritmo DQN. Os resultados mais robustos são produzidos por uma combinação de uma função de estado usando características de baixa dimensão produzidas pelo PCA e de recompensa que mede a percentagem de lucro obtida pelo sinal de transação gerado num período de investimento. O sistema usa em todos os testes a mesma topologia da rede neuronal e os mesmos valores dos hiperparâmetros do sistema. Os resultados alcançados mostram que esta abordagem supera a estratégia de Buy and Hold (BnH) em quatro dos cinco mercados testados. Concluiu-se que a técnica de PCA, a Repetição de Experiência Priorizada e a Dupla Q-aprendizagem são essenciais para o desempenho da abordagem proposta.
abril 10, 2018, 0:0
Publicação
Obra sujeita a Direitos de Autor
Orientação
ORIENTADOR
Rui Fuentecilla Maia Ferreira Neves
Departamento de Engenharia Electrotécnica e de Computadores (DEEC)
Professor Auxiliar