본문으로 건너뛰기
라이브러리 문서 전체

스트래들 옵션 트레이딩을 위한 어텐션 기반 딥 Q러닝

기사 arXiv papers · 저자: Yiran Wan et al.
원문 읽기

요약

이 연구는 가격이 오를지 내릴지 예측하지 않고 스트래들 옵션을 거래하는 자동화된 롱 변동성 접근법을 설명합니다. 시계열 입력에 대한 어텐션과 여러 주기의 정보를 활용하는 Transformer 기반 더블 딥 Q 네트워크를 적용합니다. 보상 설계는 더 긴 기간의 초과 수익을 중시하면서 손절 기준을 넘는 손실을 반영합니다. 불확실한 시장 상황에서는 저항 수준도 추가 맥락으로 사용합니다.

중국 주식, 브렌트유, 비트코인을 대상으로 실험합니다. 저자들은 테스트한 시장 전반에서 어텐션 기반 모형의 최대 낙폭이 가장 낮았고, 원유를 제외하면 비교 모형보다 평균 수익률이 높았다고 보고합니다. 따라서 보고된 우위가 모든 시장에서 일관되지는 않습니다. 문서는 옵션 선택, 실행 비용, 표본 기간, 이 실험을 넘어선 강건성에 대한 세부 사항을 제공하지 않으므로 실거래에서의 성과를 입증하지 않습니다.

핵심 아이디어

  • 스트래들 옵션은 가격 방향을 예측하지 않고 변동성에서 수익을 얻으려는 전략입니다.
  • Transformer와 더블 딥 Q러닝을 시간 및 여러 주기에 대한 어텐션과 결합합니다.
  • 보상 함수는 손절 기준을 반영하면서 장기 초과 수익을 우선합니다.
  • 가격 방향이 불확실할 때 저항 수준을 참고 정보로 사용합니다.
  • 보고된 낙폭 및 수익률 비교는 세 시장에서 이루어졌으며, 원유는 수익률 우위 결과에서 제외됩니다.

태그

옵션변동성머신러닝리스크 관리중국 시장가상자산
전문
# 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.

출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0

이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.