Paarselektion und Handel gemeinsam mit hierarchischem Reinforcement Learning

Zusammenfassung

Diese Studie behandelt den Paarhandel als gemeinsames Entscheidungsproblem und nicht als Prozess, bei dem zunächst ein Anlagepaar ausgewählt und anschließend gehandelt wird. Die Autoren argumentieren, dass die Trennung dieser Schritte nützliche Informationen verwerfen kann: Bei der Auswahl bleibt möglicherweise unberücksichtigt, ob sich ein Paar effektiv handeln lässt, während ein Handelsagent sich auf ausgewählte Anlagen überanpassen kann, ohne aus dem gesamten Anlageuniversum zu lernen.

Die hierarchische Reinforcement-Learning-Methode ordnet die Auswahl des Paares einer übergeordneten Richtlinie und die Handelsentscheidungen einer untergeordneten Richtlinie zu. Beide Richtlinien werden gemeinsam optimiert, sodass Auswahl und Ausführung einander beeinflussen können. Berichten zufolge zeigen Experimente mit realen Aktiendaten eine höhere Effektivität beim Paarhandel als bestehende Auswahl- und Handelsmethoden. Das Dokument nennt keine konkreten Leistungskennzahlen oder detaillierten Grenzen der Experimente. Daher zeigt es nicht, wie gut sich der Ansatz auf andere Märkte, Anlageklassen oder Handelskosten übertragen lässt.

Kernaussagen

• Paarauswahl und Handelsausführung lassen sich als miteinander verbundene Teile einer Aufgabe erlernen.
• Eine übergeordnete Richtlinie wählt das Anlagepaar, eine untergeordnete trifft die Handelsentscheidungen.
• Gemeinsames Lernen kann Informationen zur Handelsleistung in die Paarauswahl zurückführen.
• Die Studie berichtet Vergleiche mit bestehenden Ansätzen anhand realer Aktiendaten.
• Die Beschreibung enthält keine detaillierten Leistungskennzahlen und keine Belege über die Aktienexperimente hinaus.

Schlagwörter

# Select and Trade: Towards Unified Pair Trading with Hierarchical Reinforcement Learning


# Select and Trade: Towards Unified Pair Trading with Hierarchical Reinforcement Learning









Pair trading is one of the most effective statistical arbitrage strategies which seeks a neutral profit by hedging a pair of selected assets. Existing methods generally decompose the task into two separate steps: pair selection and trading. However, the decoupling of two closely related subtasks can block information propagation and lead to limited overall performance. For pair selection, ignoring the trading performance results in the wrong assets being selected with irrelevant price movements, while the agent trained for trading can overfit to the selected assets without any historical information of other assets. To address it, in this paper, we propose a paradigm for automatic pair trading as a unified task rather than a two-step pipeline. We design a hierarchical reinforcement learning framework to jointly learn and optimize two subtasks. A high-level policy would select two assets from all possible combinations and a low-level policy would then perform a series of trading actions. Experimental results on real-world stock data demonstrate the effectiveness of our method on pair trading compared with both existing pair selection and trading methods.

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.