Aplicaciones de técnicas de Deep Reinforcement
Learning en Trading

Las técnicas de Reinforcement Learning están teniendo grandes avances los cuales
no se están viendo reflejados en su aplicación en la industria del Trading, con el
objetivo de automatizar el proceso de posicionamiento y predicción de un determinado mercado. En este trabajo se realiza un estudio de los fundamentos del
Reinforcement Learning así como Deep Reinforcement Learning.
Como aplicación práctica, se propone una aproximación a la resolución de este
problema en el mercado de divisas, Forex. Se utilizará como entorno la librería de
Open AI gym-anytrading Forex, y para el desarrollo de los agentes se utiliza la librería de Stable-Baseline. Se realizarán experimentos para observar las limitaciones
del agente y se propondrán vías de mejora de su rendimiento. Se compararán
los rendimientos de estos modelos con sistemas de trading tradicionales para así
poder medir si realmente el Reinforcement Learning en Trading es una solución
apropiada a pesar del coste computacional así como la complejidad y por tanto
poca explicabilidad de estos modelos.

Reinforcement Learning techniques are making great advances which are not being
reflected in their application in the trading industry are not being reflected in their
application in the trading industry, with the aim of automating the process of positioning and the objective of automating the positioning and prediction process of a
given market. market. In this paper we study the fundamentals of Reinforcement
Learning and Deep Reinforcement Learning. Reinforcement Learning as well as
Deep Reinforcement Learning.
As a practical application, an approach to solving this problem in the foreign exchange market, Forex, is proposed. The Open AI gym-anytrading Forex library
will be used as an environment, and the Stable-Baseline library will be used for
the development of the agents. Experiments will be carried out to observe the limitations of the agent and ways of improving its performance will be proposed. The
performance of these models will be compared with traditional trading systems
in order to measure if Reinforcement Learning in Trading is really an appropriate
solution despite the computational cost as well as the complexity and therefore
the low explainability of these models.