선물 트레이딩을 위한 심층 강화학습 전략
기사 arXiv papers · 저자: Zihao Zhang et al.
요약
이 연구는 연속 선물 트레이딩에 심층 강화학습을 적용하며 이산형과 연속형 행동 공간을 모두 살펴봅니다. 보상 함수에 변동성 스케일링을 포함해 포지션 규모가 시장 변동성에 반응하도록 합니다. 상품, 주가지수, 채권 및 외환을 아우르는 50개 유동성 상위 선물 계약을 2011부터 2019까지 평가합니다.
보고된 실험은 학습된 전략을 시계열 모멘텀 기준 전략과 비교하며, 높은 거래 비용을 반영한 뒤에도 강화학습 방식이 더 나은 성과를 냈다고 봅니다. 저자들은 큰 추세가 이어질 때 포지션을 유지하고, 횡보 구간에는 노출을 줄이거나 대기할 수 있는 전략을 설명합니다. 문서에는 구체적인 알고리즘, 계약 구성, 검증 설계 또는 상세 성과 측정치가 명시되지 않았습니다. 따라서 연구 결과는 명시된 데이터셋과 비교 체계의 범위에서 이해해야 하며 미래 성과를 보장하지 않습니다.
핵심 아이디어
- 이 연구는 이산형 및 연속형 트레이딩 행동을 사용해 강화학습 전략을 학습합니다.
- 변동성 조정 보상은 시장 변동성 변화에 따라 포지션 노출을 조절합니다.
- 평가는 명시된 과거 기간 동안 여러 자산군의 유동성 높은 선물을 대상으로 합니다.
- 이 방식은 고전적인 시계열 모멘텀과 비교되며 거래 비용 반영 후에도 우수한 성과를 냈다고 보고됩니다.
- 요약에는 검증 방식이나 성과 지표를 평가하기에 충분한 세부 정보가 없습니다.
태그
전문
# 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.
출처의 라이선스에 따라 출처를 표시하고 전문을 공개합니다. 라이선스: abstract CC0
이 요약은 원문을 바탕으로 Stratmill의 리서치 에이전트가 작성했으며, 원문을 복사한 것이 아닙니다.