Estrategias de aprendizaje por refuerzo profundo para futuros

Resumen

Este estudio aplica aprendizaje por refuerzo profundo al trading continuo de futuros y examina espacios de acción discretos y continuos. Incorpora escalado por volatilidad en las funciones de recompensa para que el tamaño de las posiciones responda a la volatilidad del mercado. Los algoritmos se evalúan en los 50 contratos de futuros más líquidos entre 2011 y 2019, en materias primas, índices bursátiles, renta fija y divisas.

Los experimentos presentados comparan las estrategias aprendidas con referencias de momentum de series temporales y concluyen que los métodos de aprendizaje por refuerzo obtienen mejores resultados, incluso con costes de transacción elevados. Los autores describen estrategias capaces de mantener posiciones durante grandes tendencias y reducir la exposición o esperar durante fases de consolidación. El documento no especifica los algoritmos concretos, la construcción de los contratos, el diseño de validación ni medidas detalladas de rendimiento; por tanto, los hallazgos deben entenderse dentro del conjunto de datos y el marco de comparación indicados, no como garantía de resultados futuros.

Ideas clave

• El estudio entrena estrategias de aprendizaje por refuerzo con acciones de trading discretas y continuas.
• Las recompensas escaladas por volatilidad ajustan la exposición de las posiciones a los cambios en la volatilidad del mercado.
• La evaluación abarca futuros líquidos de varias clases de activos durante el periodo histórico indicado.
• Los métodos se comparan con el momentum clásico de series temporales y, según el estudio, lo superan tras los costes de transacción.
• El resumen no aporta suficiente detalle para evaluar las decisiones de validación ni las métricas de rendimiento.

Etiquetas

# 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.

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.