Aprendizado por reforço profundo em dados de alta frequência

• Processo: 22/12599-3
• Modalidade de apoio: Bolsas no Brasil - Programa Capacitação - Treinamento Técnico
• Data de Início da vigência: 01 de outubro de 2022
• Data de Término da vigência: 31 de maio de 2023
• Área de conhecimento: Ciências Exatas e da Terra - Ciência da Computação
• Pesquisador responsável: Adenilso da Silva Simão
• Beneficiário: Valentin Lukas Mohl
• Instituição Sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
• Vinculado ao auxílio: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria, AP.CEPID
• Assunto(s): Aprendizado computacional
• Palavra(s)-Chave do Pesquisador: Finance | High frequency data | machine learning | reinforcement learning | Reinforcement Learning

Resumo

Tanto na pesquisa quanto na prática de investidores profissionais, o desenvolvimento de ações lucrativas estratégias de negociação desempenha um papel fundamental. O objetivo é comprar e vender ações para gerar o maior retorno possível e, ao mesmo tempo, controlar o risco associado à negociação. Com o progresso da inteligência artificial, métodos de aprendizado de máquina estão cada vez mais sendo aplicados a este problema. Aprendizado por reforço, no qual um agente aprende a maximizar sua recompensa por meio de interações com um ambiente, tem um potencial particular aqui. Trabalhos anteriores na literatura já aplicaram diferentes abordagens de aprendizado por reforço à negociação de ações, incluindo, em particular, Critic-Only (Chen e Gao, 2019; Jeong e Kim, 2019), Ator-Somente (Jiang e Liang, 2017; Deng et al., 2016; Moody e Saffell, 2001), e Ator-Crítico (Li et al., 2018; Bekiros, 2010; Yang et al., 2020). No entanto, o foco desta pesquisa foi principalmente em dados diários. Neste projeto de pesquisa, métodos de aprendizado por reforço são aplicados a dados. Isso apresenta desafios especiais com base nas propriedades específicas desse tipo de dados. A fim de desenvolver recursos adequados, em particular dados do livro de ordens, dados de fluxo de ordens, dados de transação por transação e volatilidade implícita são consideradas.