Aprendizado por reforço profundo com redes recorrentes aplicado a negociação do minicontrato futuro de dólar
Carregando...
Arquivos
Citações na Scopus
Tipo de produção
Dissertação
Data
2023
Autores
Kinoshita, J. K.
Orientador
Bianchi, Reinaldo Augusto da Costa
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
KINOSHITA, J. K. Aprendizado por reforço profundo com redes recorrentes aplicado a negociação do minicontrato futuro de dólar. 2023. 88 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário FEI, São Bernardo do Campo, 2023. Disponível em: https://doi.org/10.31414/EE.2023.D.131622.
Texto completo (DOI)
Palavras-chave
Redes neurais (Computação),Aprendizado por reforço
Resumo
Recentemente há um aumento exponencial no uso de técnicas de aprendizado de máquina
no mercado financeiro, principalmente para negociação de ações, na tentativa de prever o seu
preço futuro. O objetivo desse projeto é desenvolver um sistema de negociação inteligente para
o Minicontrato Futuro de Dólar, baseado no uso de aprendizado por reforço, usando o Deep
Recurrent Q learning, um modelo de Redes Neurais Convolucionais combinadas com as Redes
Neurais Recorrentes. O treinamento foi baseado em uma base da dados históricos do ativo
e o agente realizou três ações: comprar, vender, manter o ativo, sempre visando o máximo
retorno financeiro. Os experimentos realizados demonstraram que o sistema proposto teve um
desempenho melhor do que as estratégias de Buy and Hold, um modelo baseado na Deep Q
Network, um Fundo Cambial e uma estratégia baseada no indicador técnico MACD.
Palavras-chave: Aprendizado por Reforço Profundo. Redes Neurais Convolucionais. Redes
Neurais Recorrentes. Long Short-Term Network. Deep Recurrent Q Network. Mercado Futuro
Recently, there is an exponential increase in the usage of machine learning applied in the financial market, primaly for trade stocks, in an attempt to forecast the movement of their prices. The proposal of this research is developing an intelligent trade system for Mini US Dollar Future, based on Deep Recurrent Q Learning, a model that uses Convolutional Neural Networks combined with Recurrent Neural Networks. The training is based on the historical data from the asset and the agent performs its actions of buy, hold and sell, always aiming the maximum return. The experiments demonstrated that the propose system has had better outcomes than the traditional strategy Buy and Hold, a model based on the Deep q Network, an Exchange Fund and a strategy that utilized the technical indicator MACD as action generator. Keywords: Deep Reinforcement Learning. Convolutional Neural Network. Recurrent Network. Long Short-Term Network. Deep Recurrent Q Network. Future Market
Recently, there is an exponential increase in the usage of machine learning applied in the financial market, primaly for trade stocks, in an attempt to forecast the movement of their prices. The proposal of this research is developing an intelligent trade system for Mini US Dollar Future, based on Deep Recurrent Q Learning, a model that uses Convolutional Neural Networks combined with Recurrent Neural Networks. The training is based on the historical data from the asset and the agent performs its actions of buy, hold and sell, always aiming the maximum return. The experiments demonstrated that the propose system has had better outcomes than the traditional strategy Buy and Hold, a model based on the Deep q Network, an Exchange Fund and a strategy that utilized the technical indicator MACD as action generator. Keywords: Deep Reinforcement Learning. Convolutional Neural Network. Recurrent Network. Long Short-Term Network. Deep Recurrent Q Network. Future Market