Modular Actor-Critic System for Automated Security Trading

Abstract

Moderne finansielle markeder er i stor grad preget av algoritme-basert handel av verdipapirer. På tross av flere fordeler, er algoritme-basert handel avhengig av god domenekunnskap innen finans. Selv om markedseffisiens er et omstridt tema har nyere anvendelse av kunstig intelligens for handel og prognose i finansielle markeder vist lovende resultater. Ved hjelp av nylige gjennombrudd innen \acrfull{drl} kan komplekse beslutningsproblemer løses uten domenekunnskap. Ved å modellere finansielle markeder som et sekvensielt beslutningsproblem, kan en autonom agent lære å handle verdipapirer gjennom prøving og feiling. Det er imidlertid vanskelig å identifisere hvilken tilnærming til problemstillingen som fungerer best i praksis. Målet for denne oppgaven er å kartlegge eksisterende løsninger for automatisk handel av verdipapirer. For å muliggjøre en objektiv sammenlikning av eksisterende løsninger er det utviklet et automatisk og modulært handelssystem. Handelssystemet er i stand til å teste ulike valg av algoritme, datagrunnlag, og dataprosessering. Det er lagt til rette for praktiske anvendelser av systemet ved å simulere realistisk handel gjennom en børs. For å underbygge en endelig konklusjon er det utført et sett med empiriske eksperimenter. Resultatene viser et potensial for anvendelse av kunstig intelligens innen automatisk handel av verdipapirer.

Algorithmic trading is widely adopted in modern financial markets. While providing multiple benefits, algorithmic trading heavily depends on domain knowledge. The efficiency of financial markets is disputed, but recent applications of artificial intelligence for financial forecasting and trading have demonstrated promising results. With the recent breakthroughs within \acrfull{drl}, complex decision-making problems can be solved without domain knowledge. By modeling financial markets as a sequential decision problem, autonomous agents can learn to trade dynamically through trial and error. Multiple state-of-the-art solutions are proposed in existing literature. However, it is challenging to navigate existing works and identify the most sustainable approach. This thesis aims to research state-of-the-art solutions for automated trading. A novel modular automated trading system is introduced to objectively compare the different approaches to the problem space in terms of algorithms, data sources, and preprocessing. The system simulates trading through a real broker and facilitates practical applications. Empirical experiments are conducted to gather evidence to support the final conclusions. The experimental results indicate a potential for application of artificial intelligence within automated security trading.