אסטרטגיות למידת חיזוק עמוקה למסחר בחוזים עתידיים
סיכום
מחקר זה מיישם למידת חיזוק עמוקה במסחר בחוזים עתידיים רציפים, ובוחן מרחבי פעולות בדידים ורציפים. הוא משלב התאמת תנודתיות בפונקציות התגמול, כך שגודל הפוזיציות מגיב לתנודתיות השוק. האלגוריתמים נבדקים על חוזי 50 הנזילים ביותר, משנת 2011 עד 2019, בתחומי הסחורות, מדדי המניות, ניירות ערך בעלי הכנסה קבועה ומטבע חוץ.
הניסויים המדווחים משווים את האסטרטגיות שנלמדו למדדי ייחוס של מומנטום בסדרות זמן, ומוצאים ששיטות למידת החיזוק משיגות ביצועים טובים יותר, גם לאחר עלויות עסקה כבדות. המחברים מתארים אסטרטגיות שיכולות להחזיק פוזיציות לאורך מגמות גדולות ולהפחית חשיפה או להמתין בתקופות דשדוש. המסמך אינו מפרט את האלגוריתמים המדויקים, את בניית החוזים, את תכנון האימות או מדדי ביצועים מפורטים, ולכן יש להבין את הממצאים במסגרת מערך הנתונים ומסגרת ההשוואה שצוינו, ולא כהבטחה לתוצאות עתידיות.
רעיונות מרכזיים
- המחקר מאמן אסטרטגיות למידת חיזוק עם פעולות מסחר בדידות ורציפות.
- תגמולים המותאמים לתנודתיות משנים את החשיפה בפוזיציות בהתאם לתנודתיות המשתנה בשוק.
- ההערכה כוללת חוזים עתידיים נזילים בכמה סוגי נכסים לאורך התקופה ההיסטורית שצוינה.
- השיטות מושוות למומנטום קלאסי בסדרות זמן, ולפי הדיווח משיגות ביצועים טובים יותר לאחר עלויות עסקה.
- הסיכום אינו מספק פרטים מספיקים להערכת בחירות האימות או מדדי הביצועים.
תגיות
הטקסט המלא
# 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.
מוצג במלואו בציון המקור ובהתאם לרישיון שלו. רישיון: abstract CC0
הסיכום נכתב בידי סוכן המחקר של Stratmill על סמך המקור; הוא אינו העתק של המקור.