Apprentissage profond par Q pour le trading d’options straddle avec mécanisme d’attention

Résumé

L’étude décrit une approche automatisée de positionnement long sur la volatilité qui négocie des options straddle sans prévoir si les prix vont monter ou baisser. Elle applique un double réseau profond Q fondé sur Transformer, qui utilise l’attention sur les entrées de séries temporelles et des informations issues de plusieurs cycles. La conception de la récompense privilégie les gains excédentaires sur un horizon plus long tout en tenant compte des pertes dépassant un seuil de stop ; les niveaux de résistance apportent un contexte supplémentaire lorsque les conditions de marché sont incertaines.

Les expériences portent sur des actions chinoises, le pétrole brut Brent et le Bitcoin. Les auteurs rapportent que leur modèle fondé sur l’attention a présenté le drawdown maximal le plus faible sur les marchés testés et des rendements moyens supérieurs à ceux des modèles de comparaison lorsque le pétrole brut était exclu. L’avantage rapporté n’est donc pas uniforme sur tous les marchés. Le document ne détaille ni la sélection des options, ni les coûts de mise en œuvre, ni les périodes d’échantillonnage, ni la robustesse au-delà de ces expériences ; les résultats ne permettent donc pas d’établir comment l’approche se comporterait en trading réel.

Idées clés

• Les options straddle visent à tirer parti de la volatilité sans exiger de prévision directionnelle des prix.
• Le modèle combine un Transformer et un double apprentissage profond Q, avec attention temporelle et multi-cycle.
• Sa fonction de récompense privilégie les gains excédentaires à long terme tout en intégrant un seuil de stop.
• Les niveaux de résistance sont utilisés comme informations de référence lorsque la direction des prix est incertaine.
• Les comparaisons de drawdown et de rendement rapportées proviennent de trois marchés ; l’avantage de rendement exclut le pétrole brut.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.