یادگیری تقویتی بازگشتی برای معامله با رژیمهای پنهان
خلاصه
این مقاله معامله بهینه را بررسی میکند، وقتی سیگنال از فرایند اورنشتاینـاولنبکِ بازگشتکننده به میانگین پیروی میکند و پارامترهای آن بر اساس رژیمهای پنهان تغییر میکنند. شبکههای عصبی بازگشتی را با یادگیری تقویتی ترکیب میکند تا از مشاهدات، اطلاعات مربوط به میانگین پنهان، سرعت بازگشت و نوسان سیگنال را استنباط کند و سپس از این اطلاعات برای هدایت معاملات بهره ببرد.
نویسندگان سه رویکرد مبتنی بر DDPG پیشنهاد میکنند: یکی حالتهای پنهان بازگشتی را به عامل معاملاتی میدهد و دو مورد دیگر احتمالهای برآوردشده رژیم یا پیشبینی مقدار بعدی سیگنال را فراهم میکنند. شبیهسازیهایی با پویاییهای رژیمیِ فزاینده پیچیده و یک کاربرد تجربی معامله جفتی سهام، رویکرد مبتنی بر احتمال را از نظر پاداش تجمعی و تفسیرپذیری ترجیح میدهند. روش مبتنی بر پیشبینی سود محدودی اضافه میکند و عملکرد روش حالت پنهان میان آن دو قرار میگیرد. این نتایج نشان میدهند بازنمایی اطلاعات استنباطشده اهمیت دارد، اما شواهد سند از شبیهسازیها و کاربرد مشخصشده به دست میآیند؛ عملکرد در بازارها یا شرایط استقرار دیگر را اثبات نمیکنند.
ایدههای کلیدی
- سیگنال معاملاتی بهصورت بازگشتکننده به میانگین مدل میشود و پارامترهای آن میان رژیمهای پنهان تغییر میکنند.
- یک شبکه بازگشتی، اطلاعات زمانی را از مشاهدات سیگنال استخراج میکند.
- سه طراحی مبتنی بر DDPG، حالتهای پنهان، احتمالهای رژیم یا پیشبینیهای سیگنال را در اختیار عامل میگذارند.
- در شبیهسازیها و کاربرد معامله جفتی گزارششده، رویکرد احتمال رژیم بهترین عملکرد را دارد.
- اطلاعاتی که در اختیار عامل قرار میگیرد بر پاداشهای گزارششده و تفسیرپذیری راهبرد اثر میگذارد.
برچسبها
متن کامل
# Deep reinforcement learning for optimal trading with partial information # Deep reinforcement learning for optimal trading with partial information Reinforcement Learning (RL) applied to financial problems has been the subject of a lively area of research. The use of RL for optimal trading strategies that exploit latent information in the market is, to the best of our knowledge, not widely tackled. In this paper we study an optimal trading problem, where a trading signal follows an Ornstein-Uhlenbeck process with regime-switching dynamics. We employ a blend of RL and Recurrent Neural Networks (RNN) in order to make the most at extracting underlying information from the trading signal with latent parameters. The latent parameters driving mean reversion, speed, and volatility are filtered from observations of the signal, and trading strategies are derived via RL. To address this problem, we propose three Deep Deterministic Policy Gradient (DDPG)-based algorithms that integrate Gated Recurrent Unit (GRU) networks to capture temporal dependencies in the signal. The first, a one -step approach (hid-DDPG), directly encodes hidden states from the GRU into the RL trader. The second and third are two-step methods: one (prob-DDPG) makes use of posterior regime probability estimates, while the other (reg-DDPG) relies on forecasts of the next signal value. Through extensive simulations with increasingly complex Markovian regime dynamics for the trading signal's parameters, as well as an empirical application to equity pair trading, we find that prob-DDPG achieves superior cumulative rewards and exhibits more interpretable strategies. By contrast, reg-DDPG provides limited benefits, while hid-DDPG offers intermediate performance with less interpretable strategies. Our results show that the quality and structure of the information supplied to the agent are crucial: embedding probabilistic insights into latent regimes substantially improves both profitability and robustness of reinforcement learning-based trading strategies.
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.