رفتن به محتوا
همه اسناد کتابخانه

یادگیری تقویتی عمیق سازگار با دامنه برای معاملات آتی گاز

مقاله arXiv papers · نویسنده: Yuanrong Wang et al.

خلاصه

این سند رویکردی عملی مبتنی بر یادگیری تقویتی عمیق برای معامله قراردادهای آتی گاز طبیعی ارائه می‌کند. گزارش می‌دهد که نسبت شارپ استراتژی از معیارهای پیروی از روند و بازگشت به میانگین و نیز نتایج پژوهش‌های پیشین بیشتر است. همچنین روشی گروهی معرفی می‌کند که با پایدارتر و مقاوم‌ترکردن مدل، به‌قصد بهبود عملکرد معاملاتی طراحی شده است.

گزارش شده است که روش گروهی گردش معاملات و در پی آن هزینه‌های معامله را کاهش می‌دهد. مقاله همچنین تفسیرپذیری، بسامد معاملات و سنجه‌های ریسک را بررسی می‌کند و فراتر از بازده‌های برجسته زمینه‌ای فراهم می‌آورد. خلاصه، مقادیر مشخص شارپ، دوره ارزیابی، داده‌ها یا طراحی اعتبارسنجی، فرض‌های هزینه یا جزئیات روش توضیح‌پذیری را ارائه نمی‌کند. بنابراین مقایسه‌های گزارش‌شده ادعاهایی درباره ارزیابی مطالعه‌اند و به‌تنهایی عملکرد خارج از نمونه یا معامله زنده را اثبات نمی‌کنند.

ایده‌های کلیدی

  • مقاله یادگیری تقویتی عمیق را برای معامله قراردادهای آتی گاز طبیعی به کار می‌گیرد.
  • نسبت شارپ گزارش‌شده از معیارهای پیروی از روند و بازگشت به میانگین بیشتر است.
  • روشی گروهی برای بهبود پایداری و استحکام مدل پیشنهاد شده است.
  • گزارش شده است که روش گروهی گردش معاملات و هزینه‌های معامله را کاهش می‌دهد.
  • تحلیل به تفسیرپذیری، بسامد معاملات و سنجه‌های ریسک می‌پردازد.

برچسب‌ها

متن کامل
# 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.

با ذکر منبع و مطابق مجوز اثر، به‌طور کامل نمایش داده می‌شود. مجوز: abstract CC0

این خلاصه را عامل پژوهشی Stratmill بر پایه متن اصلی نوشته است؛ نسخه‌ای از اثر منبع نیست.