Optimization of Set50 stock portfolio allocation with deep reinforcement learning

การเพิ่มประสิทธิภาพของการจัดสรรพอร์ตหุ้นเซต 50 ด้วยการเรียนรู้เสริมแรงเชิงลึก

Name: Sukrit Thongkairat

ThaSH: Stocks

ThaSH: Investment analysis

ThaSH: Investments

Abstract: This study focuses on optimizing portfolios for SET50 stocks using Deep Reinforcement Learning (DRL) algorithms to handle market volatility, especially during challenging times like the COVID-19 pandemic. Five DRL algorithms were analyzed: Advantage Actor-Critic (A2C), Proximal Policy Optimization (PPO), Deep Deterministic Policy Gra-dient (DDPG), Soft Actor-Critic (SAC), and Twin Delayed DDPG (TD3). These methods were chosen for their ability to identify patterns and make quick decisions in changing markets. This research introduced the Iterative Model Combining Algorithm (IMCA), which adjusts model weights dynamically based on market conditions to boost performance. Our findings show that IMCA performed better than traditional methods like the Minimum Variance model. IMCA achieved a cumulative return of 14.20% with a Sharpe Ratio of 0.220, while the Minimum Variance model had a return of -4.35% and a Sharpe Ratio of 0.018.This research demonstrates that DRL algorithms are highly adaptable and effective for managing portfolios in emerging markets like Thailand. It highlights the benefits of using flexible, data-driven strategies instead of fixed, traditional approaches.

Abstract: งานวิจัยนี้มุ่งเน้นการปรับปรุงพอร์ตการลงทุนสำหรับหุ้น SET50 โดยใช้อัลกอริธึมDeep Reinforcement Learning (DRL) เพื่อจัดการกับความผันผวนของตลาด โดยเฉพาะในช่วงเวลาที่มีความท้าทาย เช่น การระบาด ของ COVID-19 ได้มีการวิเคราะห์อัลกอริธึม DRL 5 รูปแบบ ได้แก่ Advantage Actor-Critic (A2C), Prox-imal Policy Optimization (PPO), Deep Deterministic Policy Gradient (DDPG), Soft Actor-Critic (SAC) และ Twin Delayed DDPG (TD3) ซึ่งถูกเลือกมาเนื่องจากความสามารถในการระบุรูปแบบและตัดสินใจอย่าง รวดเร็วในสภาวะตลาดที่เปลี่ยนแปลง งานวิจัยนี้ได้นำเสนอ Iterative Model Combining Algorithm (IMCA) ซึ่งสามารถปรับน้ำหนักของโมเดล ได้แบบไดนามิกตามสภาวะตลาดเพื่อเพิ่มประสิทธิภาพ ผลการวิจัยพบว่า IMCA มีประสิทธิภาพดีกว่าวิธีดังเดิม เช่น โมเดล Minimum Variance โดย IMCA สามารถทำผลตอบแทนสะสมได้ถึง 14.20% และมี Sharpe Ratio ที่ 0.220 ในขณะที่ Minimum Variance ทำผลตอบแทนได้ -4.35% และ Sharpe Ratio อยู่ที่ 0.018 งานวิจัยนี้แสดงให้เห็นว่าอัลกอริธึม DRL มีความยืดหยุ่นและมีประสิทธิภาพในการจัดการพอร์ตการลงทุน ในตลาดเกิดใหม่อย่างประเทศไทย โดยเน้นถึงข้อดีของการใช้กลยุทธ์ที่ปรับเปลี่ยนได้และขับเคลื่อนด้วยข้อมูล แทนการใช้วิธีการแบบดังเดิมที่ไม่ยืดหยุ่น

Chiang Mai University. Library

Address: CHIANG MAI

Email: cmulibref@cmu.ac.th

Name: Donlapark Ponnoprat

Role: Advisor

Name: Phimphaka Taninpong

Role: Advisor

Name: Woraphon Yamaka

Role: Advisor

Created: 2025

Modified: 2025-06-18

Issued: 2025-06-18

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Doctor of Philosophy

Level: Doctoral Degree

Descipline: Applied Statistics

Grantor: Chiang Mai University

©copyrights Chiang Mai University

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	640551017.pdf	1.78 MB

ใช้เวลา

0.038232 วินาที