Deep Q-learning con atención para operar opciones straddle

Resumen

El estudio describe un enfoque automatizado de volatilidad larga que opera con opciones straddle sin pronosticar si los precios subirán o bajarán. Aplica una doble red Q profunda basada en Transformer, con atención sobre entradas de series temporales e información de varios ciclos. El diseño de la recompensa prioriza los beneficios excedentes en un horizonte más largo y tiene en cuenta las pérdidas que superan un umbral de stop; los niveles de resistencia aportan contexto adicional cuando las condiciones del mercado son inciertas.

Los experimentos abarcan acciones chinas, petróleo crudo Brent y Bitcoin. Los autores afirman que su modelo basado en atención tuvo el menor drawdown máximo en los mercados probados y rendimientos medios superiores a los modelos de comparación cuando se excluyó el petróleo crudo. Por tanto, la ventaja informada no es uniforme en todos los mercados. El documento no detalla la selección de opciones, los costes de implementación, los periodos de muestra ni la robustez más allá de estos experimentos, así que los resultados no demuestran cómo funcionaría el enfoque en trading en vivo.

Ideas clave

• Las opciones straddle buscan beneficiarse de la volatilidad sin requerir un pronóstico direccional de precios.
• El modelo combina un Transformer y deep Q-learning doble con atención temporal y de varios ciclos.
• Su función de recompensa prioriza los beneficios excedentes a más largo plazo e incorpora un umbral de stop.
• Los niveles de resistencia se utilizan como referencia cuando la dirección del precio es incierta.
• Las comparaciones de drawdown y rendimientos informadas proceden de tres mercados; la ventaja de rendimiento excluye el petróleo crudo.

Etiquetas

# 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.

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.