Aplicar aprendizaje profundo por refuerzo al trading de reversión a la media

Resumen

El documento describe la aplicación del aprendizaje profundo por refuerzo al problema de trading de reversión a la media. Busca hacer más accesibles los métodos recientes de aprendizaje por refuerzo a los profesionales que, de otro modo, tendrían que elegir entre muchos enfoques o crear agentes desde fundamentos clásicos. La demostración propuesta utiliza una biblioteca de aprendizaje por refuerzo desarrollada originalmente para juegos de estrategia y la aplica a la toma de decisiones financieras.

El marco también incorpora propiedades de funciones motivadas por la economía, con el objetivo declarado de producir una solución convergente y de alto rendimiento. Sin embargo, el documento no ofrece una arquitectura de modelo concreta, el diseño de la recompensa, reglas de trading, datos, referencia comparativa ni resultados numéricos. Por tanto, presenta un enfoque y su motivación, pero no aporta evidencia suficiente para evaluar su rentabilidad, robustez o rendimiento frente a otros métodos. En este fragmento, las afirmaciones sobre convergencia y rendimiento se presentan sin detalles experimentales que las respalden.

Ideas clave

• El trabajo aplica aprendizaje profundo por refuerzo al trading de reversión a la media.
• Demuestra el uso en un problema de trading de una biblioteca desarrollada originalmente para juegos de estrategia.
• El marco incorpora propiedades de funciones motivadas por la economía al método de aprendizaje.
• El documento afirma que la solución es convergente y de alto rendimiento, pero aquí no ofrece detalles ni resultados experimentales.
• La información disponible no permite evaluar la rentabilidad ni la robustez.

Etiquetas

# 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.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.