Domänenangepasstes Deep Reinforcement Learning für Erdgas-Futures

Zusammenfassung

Das Dokument stellt einen praktischen Ansatz mit Deep Reinforcement Learning für den Handel mit Erdgas-Futures vor. Es berichtet, dass die Sharpe-Ratio der Strategie Trendfolge- und Mean-Reversion-Benchmarks sowie Ergebnisse früherer Literatur übertrifft. Außerdem wird ein Ensembleverfahren vorgestellt, das die Handelsperformance verbessern soll, indem es das Modell stabiler und robuster macht.

Dem Bericht zufolge senkt das Ensemble den Turnover und damit die Transaktionskosten. Die Arbeit behandelt außerdem Interpretierbarkeit, Handelsfrequenz und Risikomaße und bietet damit Kontext über die Renditekennzahlen hinaus. Die Zusammenfassung nennt keine konkreten Sharpe-Ratios, keinen Auswertungszeitraum, kein Daten- oder Validierungsdesign, keine Kostenannahmen und keine Einzelheiten zur Erklärungsmethode. Die berichteten Vergleiche sind daher Aussagen über die Auswertung der Studie und belegen für sich genommen keine Out-of-Sample- oder Live-Trading-Performance.

Kernaussagen

• Die Arbeit wendet Deep Reinforcement Learning auf den Handel mit Erdgas-Futures an.
• Die berichtete Sharpe-Ratio übertrifft Trendfolge- und Mean-Reversion-Benchmarks.
• Ein Ensemble soll die Stabilität und Robustheit des Modells verbessern.
• Dem Bericht zufolge senkt das Ensemble Turnover und Transaktionskosten.
• Die Analyse behandelt Interpretierbarkeit, Handelsfrequenz und Risikomaße.

Schlagwörter

# Domain-adapted Learning and Interpretability: DRL for Gas Trading


# Domain-adapted Learning and Interpretability: DRL for Gas Trading









Deep Reinforcement Learning (Deep RL) has been explored for a number of applications in finance and stock trading. In this paper, we present a practical implementation of Deep RL for trading natural gas futures contracts. The Sharpe Ratio obtained exceeds benchmarks given by trend following and mean reversion strategies as well as results reported in literature. Moreover, we propose a simple but effective ensemble learning scheme for trading, which significantly improves performance through enhanced model stability and robustness as well as lower turnover and hence lower transaction cost. We discuss the resulting Deep RL strategy in terms of model explainability, trading frequency and risk measures.

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.