天然ガス先物向け領域適応型深層強化学習
記事 arXiv papers · 著者: Yuanrong Wang et al.
サマリー
この文書では、天然ガス先物取引に実用的な深層強化学習手法を提示しています。戦略のシャープレシオはトレンドフォローや平均回帰のベンチマーク、および先行研究の結果を上回ると報告しています。また、モデルの安定性と頑健性を高めて取引成績の向上を目指すアンサンブル手法も導入しています。
アンサンブルによって売買回転率が下がり、ひいては取引コストも低下したと報告されています。この論文では、解釈可能性、取引頻度、リスク指標も論じ、表面的なリターン以外の背景を示しています。要約には具体的なシャープレシオ、評価期間、データや検証の設計、コストの前提、説明手法の詳細がありません。したがって、報告された比較は研究内の評価結果についての主張であり、それだけでアウトオブサンプルや実運用の成績を立証するものではありません。
主なアイデア
- この論文は天然ガス先物取引に深層強化学習を適用しています。
- 報告されたシャープレシオはトレンドフォローと平均回帰のベンチマークを上回ります。
- モデルの安定性と頑健性を高めるため、アンサンブルが提案されています。
- アンサンブルにより売買回転率と取引コストが低下したと報告されています。
- 分析では解釈可能性、取引頻度、リスク指標を扱っています。
タグ
全文
# 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.
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。