초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 논문은 CNN과 LSTM을 결합한 멀티 모달 정책과 강화학습 환경을 제안한다. CNN 층이 종목 데이터 기반의 지표 이미지에서 특징 맵을 추출하고 특징 맵을 열 단위로 분리해 LSTM 층의 입력으로 사용했다. 다양한 지표 이미지를 활용하기 위해서 입력 층과 ...

본 논문은 CNN과 LSTM을 결합한 멀티 모달 정책과 강화학습 환경을 제안한다. CNN 층이 종목 데이터 기반의 지표 이미지에서 특징 맵을 추출하고 특징 맵을 열 단위로 분리해 LSTM 층의 입력으로 사용했다. 다양한 지표 이미지를 활용하기 위해서 입력 층과 히든 층을 분리해 연산결과를 합치는 멀티모달 구조를 사용했다. 에이전트의 정책의 신경망 구조 외에 주식환경에 적합한 상태 이미지와 보상, 행동을 정의했다. 본 논문이 제안한 정책의 성능을 검증하기 위해 코스피에 상장된 종목들의 일별 데이터로 학습과 실험을 진행했다. 2019년 4월의 코스피의 상승 비율과 2019년 5월의 하락 비율보다 높은 투자 성과를 보이는 것을 확인하였다.

Abstract ▼ AI-Helper

This paper proposes a multimodal policy and a reinforcement learning environment combining CNN and LSTM. The CNN layer extracted the feature map from the stock chart image. It was separated into columns and used as input to the LSTM layer. In order to utilize various chart image, we used a multimoda...

This paper proposes a multimodal policy and a reinforcement learning environment combining CNN and LSTM. The CNN layer extracted the feature map from the stock chart image. It was separated into columns and used as input to the LSTM layer. In order to utilize various chart image, we used a multimodal structure that separates the input layer and the hidden layer and combines the computed results. In addition to the neural network structure of the agent's policy, we have defined the state image, compensation, and behavior appropriate for the stock environment. In order to verify the performance of the proposed policy, we conducted learning and experimentation with daily data of stocks listed on KOSPI. We have confirmed that the investment performance is higher than that of KOSPI Composite Stock Price Index in April 2019 and the decline in May 2019.

Keyword