Come si possono applicare tecniche e algoritmi di Reinforcement Learning al problema del trading finanziario? Come esempio, è sufficiente pensare a uno scambio tra un bene liquido (denaro) e un bene non liquido (ad esempio un’azione). Lo stato dell’ambiente è rappresentato da cosa è presente nel portafoglio in quell’istante di tempo (quantità di denaro e del bene), il valore del bene all’istante presente e nei 60 istanti (minuti) precedenti. Al contempo, Le possibili azioni consistono nel comprare e vendere diverse quantità di bene. Infine, la ricompensa è pari a quanto viene guadagnato o perso in termini di valore del portafoglio tra un istante di tempo e l’altro. In questo modo, nella fase di addestramento (training), l’agente potrà apprendere come il prezzo si sposterà nel futuro, basandosi sui 60 minuti precedenti. L’agente proverà ad apprendere una politica che decida quando comprare e quando vendere in modo da massimizzare i profitti ottenuti durante il trading.
Questo è il tema centrale del nuovo articolo scritto dai ricercatori di AIRIC per AI4Business: trovi l’articolo completo qui.