31212

افزايش بازدهي معاملات الگوريتمي با استفاده از يادگيري تقويتي عميق

كارشناسي ارشد

مهندسي كامپيوتر

1399

1402/09/04

محمدرضا جاهدمطلق

رضا انتظاري ملكي

مهندسي كامپيوتر

امروزه با پيشرفت هوش مصنوعي شاهد ورود آن به عرصه‌هاي متفاوت هستيم. يكي از زمينه‌هايي كه هوش مصنوعي مي‌تواند كاربرد زيادي داشته باشد بازارهاي مالي است. با ورود معامله‌گران متعدد به بازارهاي مالي شاهد رشد اين بازارها و قرارگرفتن آن در كانون توجه هستيم. براي معامله در بازارهاي مالي مي‌توان از هوش مصنوعي استفاده كرد. معامله الگوريتمي يك نوع معاملة خودكار و انجام شده توسط كامپيوتر است كه در بازارهاي مالي مختلف استفاده مي‌شود و اين نوع معاملات، حجم چشمگيري از معاملات را شامل مي‌شوند. اين نوع معاملات مبتني بر سيستم‌هاي معاملاتي قانون - محور و شرط - محور هستند كه با بررسي برخي پارامترها در بازار اقدام به تصميم‌گيري مي‌كنند. مي‌توان اين سيستم‌ها را از حالت قانون محور خارج كرد و با استفاده از هوش مصنوعي اقدام به تصميم‌گيري در اين بازارها كرد. همچنين مديريت خودكار سبد سرمايه‌گذاري وقت آزاد بيشتري را براي سرمايه‌گذاران ايجاد خواهد كرد كه مي‌توانند از وقت آزاد شده استفاده بهينه داشته باشند. در اين پايان‌نامه يك سيستم مبتني بر يادگيري تقويتي عميق براي معامله در بازار رمزارز ارائه شده است كه به‌سادگي قابل‌استفاده در ديگر بازارهاي مالي است. داده ورودي شامل مجموعه ويژگي‌هاي متنوع بر اساس معاملات روزانه بيت‌كوين بوده كه مهندسي ويژگي روي آن‌ها انجام شده است و مناسب‌ترين ويژگي‌ها به همراه چند مدل يادگيري عميق بازگشتي، مبتني بر ترنسفورمر و كانولوشني به‌صورت دسته‌جمعي ارائه شده است. امكان مديريت ريسك در اين پژوهش ايجاد شده است و همچنين شرايط شبيه‌سازي تاحدامكان به شرايط واقعي نزديك شده است. در نهايت بهترين مدل با بازده سالانه شده ميانگين 532/06% ارائه شده است كه عملكرد بهتري در مقايسه با مدل‌هاي ديگر دارد.

1403/07/02

Return Improvement in Algorithmic Trading Using Deep Reinforcement Learning

1/1/1900 12:00:00 AM

Today, with the rapid advancement of Artificial Intelligence (AI), its integration across various fields is observed. One significant area where AI demonstrates immense potential is in the financial markets. With the entry of more traders, the growth and significance of these markets are increasingly emphasized. AI, particularly in the form of algorithmic trading, revolutionizes the way transactions are conducted in financial markets. This automated and computerized approach accounts for a substantial volume of market transactions. Algorithmic trading typically relies on rule-based and condition-oriented systems that make decisions by analyzing market parameters. However, a trend is emerging to move beyond these traditional systems and harness AI for more sophisticated decision-making in these markets. Additionally, the automation of investment portfolio management is noted to free up considerable time for investors, allowing for more effective utilization of their time. In this thesis, a system based on deep reinforcement learning, specifically designed for trading in the Cryptocurrency market, is introduced. This system can easily be adapted for use in other financial markets as well. It utilizes a diverse set of features derived from daily Bitcoin transactions. Through meticulous feature engineering, the most effective features for use in the system have been identified and collated. The system incorporates a variety of deep learning models, including recurrent, transformer-based, and convolutional neural networks. Significant emphasis has been placed on risk management within the research, ensuring that the simulation conditions closely mirror real-world scenarios. The culmination of this work is the development of a superior model, which boasts an average annualized return of 532.06%, outperforming other baseline models.

يادگيري عميق , يادگيري تقويتي عميق , معاملات الگوريتمي , بازارهاي مالي , معاملات كمّي

Deep Learning , Deep Reinforcement Learning , Algorithmic Trading , Financial Markets , Quantitative Trading

Tohid Abedini

Mohammad Reza Jahed Motlagh