Deep Deterministic Policy Gradients for Portfolio management
Keywords:
Deep Deterministic Policy Gradients, Machine learning, Portfolio management
Abstract
The purpose of this study is to adapt Deep Deterministic Policy Gradients with Asset Allocation in SET50 Portfolio. Then measure annual return, standard deviation and Sharpe ratio of portfolio data from 4 January 2010 to 31 December 2020 compare with Equal weight portfolio that we use as benchmark. Base on this study results show Deep Deterministic Policy Gradient portfolio can outperform benchmark. At Learning rate 0.001 Annual return 0.0018 Volatility 0.2363 Sharpe ratio 0.01 compared to Equal weight portfolio Annual return -0.0278 Volatility 0.2289 Sharpe ratio -0.12
Published
2021-08-29
Section
Science and Technology
- บทความทุกเรื่องที่ตีพิมพ์เผยแพร่ได้ผ่านการพิจารณาทางวิชาการโดยผู้ทรงคุณวุฒิในสาขาวิชา (Peer review) ในรูปแบบไม่มีชื่อผู้เขียน (Double-blind peer review) อย่างน้อย ๓ ท่าน
- บทความวิจัยที่ตีพิมพ์เป็นข้อค้นพบ ข้อคิดเห็นและความรับผิดชอบของผู้เขียนเจ้าของผลงาน และผู้เขียนเจ้าของผลงาน ต้องรับผิดชอบต่อผลที่อาจเกิดขึ้นจากบทความและงานวิจัยนั้น
- ต้นฉบับที่ตีพิมพ์ได้ผ่านการตรวจสอบคำพิมพ์และเครื่องหมายต่างๆ โดยผู้เขียนเจ้าของบทความก่อนการรวมเล่ม
