Apprentissage profond par renforcement adapté au domaine pour les contrats à terme sur le gaz

Résumé

Le document présente une approche pratique d’apprentissage profond par renforcement pour le trading de contrats à terme sur le gaz naturel. Il rapporte que le ratio de Sharpe de la stratégie dépasse ceux de références de suivi de tendance et de retour à la moyenne, ainsi que les résultats de travaux antérieurs. Il introduit aussi une méthode d’ensemble destinée à améliorer la performance de trading en rendant le modèle plus stable et robuste.

Selon le document, l’ensemble réduit la rotation et, par conséquent, les coûts de transaction. L’article traite aussi de l’interprétabilité, de la fréquence de trading et des mesures du risque, donnant ainsi un contexte qui dépasse les rendements mis en avant. Le résumé ne fournit ni valeurs précises du ratio de Sharpe, ni période d’évaluation, ni données ou protocole de validation, ni hypothèses de coûts, ni détails sur la méthode d’explication. Les comparaisons rapportées portent donc sur l’évaluation de l’étude et ne peuvent, à elles seules, établir la performance hors échantillon ou en trading réel.

Idées clés

• L’article applique l’apprentissage profond par renforcement au trading de contrats à terme sur le gaz naturel.
• Le ratio de Sharpe rapporté dépasse ceux des références de suivi de tendance et de retour à la moyenne.
• Une méthode d’ensemble est proposée pour améliorer la stabilité et la robustesse du modèle.
• Selon le document, l’ensemble réduit la rotation et les coûts de transaction.
• L’analyse traite de l’interprétabilité, de la fréquence de trading et des mesures du risque.

Étiquettes

# 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.

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.