استراتيجيات التعلم المعزز العميق لتداول العقود الآجلة

الملخص

تطبق هذه الدراسة التعلم المعزز العميق على تداول العقود الآجلة المستمر، وتفحص فضاءات الأفعال المنفصلة والمستمرة. وتُدخل تحجيم التقلب في دوال المكافأة كي تستجيب أحجام المراكز لتقلب السوق. وتُقيّم الخوارزميات على أكثر 50 عقود آجلة سيولة من 2011 إلى 2019، وتشمل السلع ومؤشرات الأسهم وأدوات الدخل الثابت والعملات الأجنبية.

تقارن التجارب المعلنة الاستراتيجيات المتعلمة بمعايير زخم السلاسل الزمنية، وتجد أن أساليب التعلم المعزز تحقق أداءً أفضل، حتى بعد تكاليف معاملات مرتفعة. ويصف المؤلفون استراتيجيات يمكنها الاحتفاظ بالمراكز خلال الاتجاهات الكبيرة وتقليل الانكشاف أو الانتظار أثناء التماسك. ولا تحدد الوثيقة الخوارزميات الدقيقة أو تكوين العقود أو تصميم التحقق أو مقاييس الأداء التفصيلية، لذا ينبغي فهم النتائج ضمن مجموعة البيانات وإطار المقارنة المذكورين، لا بوصفها ضمانًا لنتائج مستقبلية.

الأفكار الرئيسية

• تدرّب الدراسة استراتيجيات التعلم المعزز باستخدام أفعال تداول منفصلة ومستمرة.
• تعدّل المكافآت بحسب التقلب انكشاف المراكز ليتكيف مع تغير تقلب السوق.
• يشمل التقييم عقودًا آجلة سائلة عبر فئات أصول متعددة خلال الفترة التاريخية المحددة.
• تُقارن الأساليب بزخم السلاسل الزمنية التقليدي، ويُذكر أنها تتفوق بعد تكاليف المعاملات.
• لا تقدم النبذة تفاصيل كافية لتقييم خيارات التحقق أو مقاييس الأداء.

الوسوم

# Deep Reinforcement Learning for Trading


# Deep Reinforcement Learning for Trading









We adopt Deep Reinforcement Learning algorithms to design trading strategies for continuous futures contracts. Both discrete and continuous action spaces are considered and volatility scaling is incorporated to create reward functions which scale trade positions based on market volatility. We test our algorithms on the 50 most liquid futures contracts from 2011 to 2019, and investigate how performance varies across different asset classes including commodities, equity indices, fixed income and FX markets. We compare our algorithms against classical time series momentum strategies, and show that our method outperforms such baseline models, delivering positive profits despite heavy transaction costs. The experiments show that the proposed algorithms can follow large market trends without changing positions and can also scale down, or hold, through consolidation periods.

يُعرض النص كاملًا مع نسبه إلى مصدره وفقًا لترخيصه. الترخيص: abstract CC0

أعدّ وكيل الأبحاث في Stratmill هذا الملخص استنادًا إلى المصدر الأصلي؛ وهو ليس نسخة منه.