先物取引における深層強化学習戦略

記事 arXiv papers · 著者: Zihao Zhang et al.

サマリー

この研究では、先物の連続取引に深層強化学習を適用し、離散および連続の行動空間を検討しています。ポジションサイズが市場のボラティリティに応じて変化するよう、報酬関数にボラティリティ調整を組み込んでいます。対象は50件の流動性が最も高い先物契約で、2011年から2019年まで評価しています。コモディティ、株価指数、債券、外国為替を含みます。

報告された実験では、学習した戦略を時系列モメンタムのベースラインと比較し、多額の取引コストを考慮した後も強化学習手法の成績が上回ったとしています。著者らは、大きなトレンドの間はポジションを維持し、持ち合い局面ではエクスポージャーを減らすか、待機できる戦略を説明しています。文書では、正確なアルゴリズム、契約の構成、検証設計、詳細なパフォーマンス指標が特定されていません。そのため、結果は記載されたデータセットと比較枠組みの範囲内で理解すべきであり、将来の成果を保証するものではありません。

主なアイデア

離散および連続の取引行動を用いて、強化学習戦略を学習させています。
ボラティリティ調整済み報酬により、市場ボラティリティの変化に合わせてポジションのエクスポージャーを調整します。
評価対象は、記載された過去期間における複数資産クラスの流動性の高い先物です。
古典的な時系列モメンタムと比較し、取引コストを考慮した後も上回ったと報告されています。
検証方法やパフォーマンス指標を評価するには、要約の情報が十分ではありません。

# 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.

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。

先物取引における深層強化学習戦略

サマリー

主なアイデア

タグ