Stratégies d’apprentissage profond par renforcement pour le trading de contrats à terme

Résumé

Cette étude applique l’apprentissage profond par renforcement au trading continu de contrats à terme, en examinant des espaces d’action discrets et continus. Elle intègre une mise à l’échelle par la volatilité dans les fonctions de récompense afin que la taille des positions réagisse à la volatilité du marché. Les algorithmes sont évalués sur les 50 contrats à terme les plus liquides de 2011 à 2019, couvrant les matières premières, les indices boursiers, les titres à revenu fixe et les changes.

Les expériences rapportées comparent les stratégies apprises à des références de momentum de séries temporelles et concluent que les méthodes d’apprentissage par renforcement obtiennent de meilleurs résultats, y compris après des coûts de transaction élevés. Les auteurs décrivent des stratégies qui peuvent conserver des positions pendant les grandes tendances et réduire leur exposition ou attendre pendant les phases de consolidation. Le document ne précise ni les algorithmes exacts, ni la construction des contrats, le protocole de validation ou les mesures détaillées de performance ; les résultats doivent donc être compris dans le cadre des données et comparaisons indiquées, et non comme une garantie de résultats futurs.

Idées clés

• L’étude entraîne des stratégies d’apprentissage par renforcement avec des actions de trading discrètes et continues.
• Les récompenses ajustées à la volatilité adaptent l’exposition des positions aux variations de volatilité du marché.
• L’évaluation couvre des contrats à terme liquides de plusieurs classes d’actifs sur la période historique indiquée.
• Les méthodes sont comparées au momentum classique de séries temporelles et surpasseraient cette référence après coûts de transaction.
• Le résumé ne fournit pas assez de détails pour évaluer les choix de validation ou les mesures de performance.

Étiquettes

# 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.

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.