천연가스 선물의 영역 적응 심층 강화학습

기사 arXiv papers · 저자: Yuanrong Wang et al.

요약

이 문서는 천연가스 선물 트레이딩에 심층 강화학습을 실용적으로 적용한 접근법을 제시합니다. 전략의 샤프 비율이 추세 추종 및 평균 회귀 기준 전략의 샤프 비율과 선행 연구에서 보고된 결과를 웃돈다고 보고합니다. 모델의 안정성과 강건성을 높여 트레이딩 성과를 개선하려는 앙상블 방법도 소개합니다.

앙상블은 거래 회전율을 줄이고 그에 따라 거래 비용도 낮춘다고 보고됩니다. 논문은 핵심 수익률 외에도 해석 가능성, 거래 빈도, 리스크 지표를 다룹니다. 요약에는 구체적인 샤프 비율, 평가 기간, 데이터나 검증 설계, 비용 가정, 설명 방법의 세부 내용이 없습니다. 따라서 보고된 비교는 연구의 평가 결과에 관한 주장이며, 그 자체로 표본 외 성과나 실거래 성과를 입증하지 못합니다.

핵심 아이디어

이 논문은 천연가스 선물 트레이딩에 심층 강화학습을 적용합니다.
보고된 샤프 비율은 추세 추종 및 평균 회귀 기준 전략보다 높습니다.
모델의 안정성과 견고성을 높이기 위해 앙상블을 제안합니다.
앙상블은 거래 회전율과 거래 비용을 낮춘다고 보고됩니다.
분석에서는 해석 가능성, 거래 빈도, 리스크 지표를 다룹니다.

# 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.

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

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

천연가스 선물의 영역 적응 심층 강화학습

요약

핵심 아이디어

태그