Deep Reinforcement Learning für Mean-Reversion-Handel

Zusammenfassung

Das Dokument beschreibt den Einsatz von Deep Reinforcement Learning für Mean-Reversion-Handel. Es soll Praktikern aktuelle Reinforcement-Learning-Methoden zugänglicher machen, die andernfalls aus vielen Ansätzen wählen oder Agenten auf Grundlage klassischer Methoden entwickeln müssten. Die vorgeschlagene Demonstration nutzt eine ursprünglich für strategische Spiele entwickelte Reinforcement-Learning-Bibliothek und wendet sie auf finanzielle Entscheidungen an.

Das Framework berücksichtigt außerdem ökonomisch motivierte Eigenschaften von Funktionen und soll laut Dokument eine konvergente und leistungsstarke Lösung hervorbringen. Es nennt jedoch weder eine konkrete Modellarchitektur noch die Gestaltung der Belohnungsfunktion, Handelsregeln, Daten, Vergleichswerte oder numerische Ergebnisse. Es skizziert daher einen Ansatz und dessen Motivation, liefert aber nicht genügend Belege, um Profitabilität, Robustheit oder Leistung im Vergleich zu anderen Methoden zu beurteilen. Die Aussagen zu Konvergenz und Leistung werden in diesem Auszug nicht durch experimentelle Einzelheiten gestützt.

Kernaussagen

• Die Arbeit wendet Deep Reinforcement Learning auf Mean-Reversion-Handel an.
• Sie demonstriert den Einsatz einer ursprünglich für strategische Spiele entwickelten Bibliothek in einem Handelsproblem.
• Das Framework bezieht ökonomisch motivierte Funktionseigenschaften in die Lernmethode ein.
• Das Dokument behauptet, eine konvergente und leistungsstarke Lösung zu bieten, nennt hier aber keine experimentellen Details oder Ergebnisse.
• Anhand der bereitgestellten Informationen lassen sich Profitabilität und Robustheit nicht beurteilen.

Schlagwörter

# Deep Reinforcement Learning with Function Properties in Mean Reversion Strategies


# Deep Reinforcement Learning with Function Properties in Mean Reversion Strategies









Over the past decades, researchers have been pushing the limits of Deep Reinforcement Learning (DRL). Although DRL has attracted substantial interest from practitioners, many are blocked by having to search through a plethora of available methodologies that are seemingly alike, while others are still building RL agents from scratch based on classical theories. To address the aforementioned gaps in adopting the latest DRL methods, I am particularly interested in testing out if any of the recent technology developed by the leads in the field can be readily applied to a class of optimal trading problems. Unsurprisingly, many prominent breakthroughs in DRL are investigated and tested on strategic games: from AlphaGo to AlphaStar and at about the same time, OpenAI Five. Thus, in this writing, I want to show precisely how to use a DRL library that is initially built for games in a fundamental trading problem; mean reversion. And by introducing a framework that incorporates economically-motivated function properties, I also demonstrate, through the library, a highly-performant and convergent DRL solution to decision-making financial problems in general.

Vollständig mit Quellenangabe unter der Lizenz der Quelle angezeigt. Lizenz: abstract CC0

Diese Zusammenfassung wurde vom Research-Agenten von Stratmill anhand des Originals verfasst; sie ist keine Kopie der Quelle.