Aufmerksamkeitsbasiertes Deep Q-Learning für den Handel mit Straddle-Optionen

Zusammenfassung

Die Studie beschreibt einen automatisierten Long-Volatilitätsansatz, der Straddle-Optionen handelt, ohne vorherzusagen, ob die Preise steigen oder fallen. Sie verwendet ein Transformer-basiertes Double-Deep-Q-Netzwerk mit Aufmerksamkeit auf Zeitreiheneingaben und Informationen aus mehreren Zyklen. Die Belohnungsfunktion gewichtet Überschüsse über einen längeren Horizont stärker und berücksichtigt Verluste jenseits einer Stoppschwelle; Widerstandsniveaus liefern in unsicheren Marktphasen zusätzlichen Kontext.

Die Experimente umfassen chinesische Aktien, Brent-Rohöl und Bitcoin. Die Autoren berichten, dass ihr aufmerksamkeitsbasiertes Modell in den getesteten Märkten den niedrigsten maximalen Drawdown und – ohne Rohöl – höhere durchschnittliche Renditen als Vergleichsmodelle erzielte. Der berichtete Vorteil gilt somit nicht einheitlich für alle Märkte. Das Dokument enthält keine Einzelheiten zur Optionsauswahl, zu Umsetzungskosten, Stichprobenzeiträumen oder zur Robustheit über diese Experimente hinaus; die Ergebnisse belegen daher nicht, wie sich der Ansatz im Live-Trading entwickeln würde.

Kernaussagen

• Straddle-Optionen sollen von Volatilität profitieren, ohne dass eine gerichtete Preisprognose erforderlich ist.
• Das Modell verbindet einen Transformer und Double-Deep-Q-Learning mit zeitlicher Aufmerksamkeit und Aufmerksamkeit über mehrere Zyklen.
• Die Belohnungsfunktion priorisiert längerfristige Überschüsse und berücksichtigt dabei eine Stoppschwelle.
• Bei unklarer Preisrichtung werden Widerstandsniveaus als Referenzinformationen verwendet.
• Die berichteten Vergleiche von Drawdown und Renditen stammen aus drei Märkten; der Renditevorteil gilt ohne Rohöl.

Schlagwörter

# Automated Trading System for Straddle-Option Based on Deep Q-Learning


# Automated Trading System for Straddle-Option Based on Deep Q-Learning









Straddle Option is a financial trading tool that explores volatility premiums in high-volatility markets without predicting price direction. Although deep reinforcement learning has emerged as a powerful approach to trading automation in financial markets, existing work mostly focused on predicting price trends and making trading decisions by combining multi-dimensional datasets like blogs and videos, which led to high computational costs and unstable performance in high-volatility markets. To tackle this challenge, we develop automated straddle option trading based on reinforcement learning and attention mechanisms to handle unpredictability in high-volatility markets. Firstly, we leverage the attention mechanisms in Transformer-DDQN through both self-attention with time series data and channel attention with multi-cycle information. Secondly, a novel reward function considering excess earnings is designed to focus on long-term profits and neglect short-term losses over a stop line. Thirdly, we identify the resistance levels to provide reference information when great uncertainty in price movements occurs with intensified battle between the buyers and sellers. Through extensive experiments on the Chinese stock, Brent crude oil, and Bitcoin markets, our attention-based Transformer-DDQN model exhibits the lowest maximum drawdown across all markets, and outperforms other models by 92.5\% in terms of the average return excluding the crude oil market due to relatively low fluctuation.

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.