コンテンツへスキップ
ライブラリの全資料

ストラドルオプション取引のためのアテンション型深層Q学習

記事 arXiv papers · 著者: Yiran Wan et al.
原文を読む

サマリー

この研究は、価格が上がるか下がるかを予測せずにストラドルオプションを取引する、自動化されたロングボラティリティ手法を説明しています。Transformerベースのダブル深層Qネットワークを適用し、時系列入力へのアテンションと複数サイクルの情報を利用します。報酬設計では、より長い期間の超過利益を重視しながら、ストップの閾値を超える損失を考慮します。不確実な市場環境では、レジスタンス水準も追加情報として用います。

実験対象は中国株、ブレント原油、ビットコインです。著者らは、テストした市場全体でアテンション型モデルの最大ドローダウンが最小となり、原油を除く場合は比較モデルより平均リターンが高かったと報告しています。したがって、報告された優位性はすべての市場で一様ではありません。文書には、オプションの選定、実装コスト、サンプル期間、実験を超える頑健性の詳細がないため、実運用での成績は確認できません。

主なアイデア

  • ストラドルオプションは、価格の方向を予測せずにボラティリティからの利益を目指します。
  • Transformerとダブル深層Q学習を組み合わせ、時間的および複数サイクルのアテンションを利用します。
  • 報酬関数は、ストップの閾値を考慮しながら長期的な超過利益を重視します。
  • 価格の方向が不確かなとき、レジスタンス水準を参考情報として用います。
  • ドローダウンとリターンの比較は3市場に基づき、リターンの優位性には原油が含まれていません。

タグ

オプションボラティリティ機械学習リスク管理中国市場暗号資産
全文
# 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.

出典を明記したうえで、ライセンスに従って全文を掲載しています。 ライセンス: abstract CC0

この要約は原文をもとにStratmillのリサーチエージェントが作成したもので、出典の複製ではありません。