Deep-Reinforcement-Learning-Strategien für den Futures-Handel

Zusammenfassung

Diese Studie wendet Deep Reinforcement Learning auf den kontinuierlichen Futures-Handel an und untersucht diskrete sowie kontinuierliche Aktionsräume. Sie skaliert die Belohnungsfunktionen nach Volatilität, damit Positionsgrößen auf die Marktvolatilität reagieren. Die Algorithmen werden anhand der 50 liquidesten Futures-Kontrakte von 2011 bis 2019 für Rohstoffe, Aktienindizes, festverzinsliche Anlagen und Devisen bewertet.

Die berichteten Experimente vergleichen die erlernten Strategien mit Zeitreihen-Momentum-Benchmarks und ergeben, dass die Reinforcement-Learning-Methoden besser abschneiden, auch nach hohen Transaktionskosten. Laut den Autoren können die Strategien Positionen während ausgeprägter Trends halten und ihr Engagement bei Konsolidierungen reduzieren oder abwarten. Das Dokument nennt weder die genauen Algorithmen noch die Konstruktion der Kontrakte, das Validierungsdesign oder detaillierte Leistungskennzahlen. Die Ergebnisse sind daher im Rahmen des angegebenen Datensatzes und Vergleichs zu verstehen, nicht als Garantie für künftige Ergebnisse.

Kernaussagen

• Die Studie trainiert Reinforcement-Learning-Strategien mit diskreten und kontinuierlichen Handelsaktionen.
• Volatilitätsskalierte Belohnungen passen das Positionsengagement an veränderte Marktvolatilität an.
• Die Bewertung umfasst liquide Futures verschiedener Anlageklassen im angegebenen historischen Zeitraum.
• Die Methoden werden mit klassischem Zeitreihen-Momentum verglichen und sollen nach Transaktionskosten besser abschneiden.
• Die Zusammenfassung enthält nicht genug Einzelheiten, um die Validierungsentscheidungen oder Leistungskennzahlen zu beurteilen.

Schlagwörter

# 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.

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.