Sélection conjointe de paires et trading par apprentissage hiérarchique par renforcement

Résumé

Cet article traite le trading par paires comme un problème de décision intégré, plutôt que comme un processus qui sélectionne d’abord une paire d’actifs puis la négocie. Les auteurs estiment que séparer ces étapes peut faire perdre des informations utiles : la sélection peut ignorer la possibilité de négocier efficacement une paire, tandis qu’un agent de trading peut surajuster aux actifs choisis sans tirer parti de l’ensemble plus vaste des actifs.

Leur méthode d’apprentissage hiérarchique par renforcement confie le choix de la paire à une politique de haut niveau et les opérations de trading à une politique de bas niveau. Les deux politiques sont optimisées conjointement, afin que les décisions de sélection et d’exécution s’éclairent mutuellement. Des expériences sur des données boursières réelles sont présentées comme montrant une amélioration de l’efficacité du trading par paires par rapport aux méthodes de sélection et de trading existantes. Le document ne fournit ni chiffres précis de performance ni détails sur les limites expérimentales ; il n’établit donc pas dans quelle mesure l’approche se généralise à d’autres marchés, catégories d’actifs ou coûts de trading.

Idées clés

• La sélection des paires et l’exécution des transactions peuvent être apprises comme des composantes liées d’une même tâche.
• Une politique de haut niveau choisit la paire d’actifs, et une politique de bas niveau prend les décisions de trading.
• L’apprentissage conjoint peut transmettre à la sélection des paires des informations sur les performances du trading.
• L’étude présente des comparaisons avec des approches existantes sur des données boursières réelles.
• La description fournie ne donne ni chiffres détaillés de performance ni éléments allant au-delà des expériences sur actions.

Étiquettes

# Select and Trade: Towards Unified Pair Trading with Hierarchical Reinforcement Learning


# Select and Trade: Towards Unified Pair Trading with Hierarchical Reinforcement Learning









Pair trading is one of the most effective statistical arbitrage strategies which seeks a neutral profit by hedging a pair of selected assets. Existing methods generally decompose the task into two separate steps: pair selection and trading. However, the decoupling of two closely related subtasks can block information propagation and lead to limited overall performance. For pair selection, ignoring the trading performance results in the wrong assets being selected with irrelevant price movements, while the agent trained for trading can overfit to the selected assets without any historical information of other assets. To address it, in this paper, we propose a paradigm for automatic pair trading as a unified task rather than a two-step pipeline. We design a hierarchical reinforcement learning framework to jointly learn and optimize two subtasks. A high-level policy would select two assets from all possible combinations and a low-level policy would then perform a series of trading actions. Experimental results on real-world stock data demonstrate the effectiveness of our method on pair trading compared with both existing pair selection and trading methods.

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.