Aprendizado por reforço profundo aplicado ao trading de reversão à média

Resumo

O documento descreve a aplicação de aprendizado por reforço profundo ao problema de trading de reversão à média. Busca tornar métodos recentes de aprendizado por reforço mais acessíveis a profissionais que, de outra forma, talvez precisassem escolher entre muitas abordagens ou criar agentes a partir de fundamentos clássicos. A demonstração proposta usa uma biblioteca de aprendizado por reforço desenvolvida originalmente para jogos de estratégia e a aplica à tomada de decisões financeiras.

A estrutura também incorpora propriedades de funções motivadas pela economia, com o objetivo declarado de produzir uma solução convergente e de alto desempenho. No entanto, o documento não apresenta arquitetura específica do modelo, desenho da recompensa, regras de trading, dados, referência de comparação nem resultados numéricos. Portanto, descreve uma abordagem e sua motivação, sem evidências suficientes para avaliar rentabilidade, robustez ou desempenho em relação a outros métodos. As afirmações sobre convergência e desempenho são apresentadas sem detalhes experimentais que as sustentem neste trecho.

Ideias principais

• O trabalho aplica aprendizado por reforço profundo ao trading de reversão à média.
• Ele demonstra o uso, em um problema de trading, de uma biblioteca inicialmente desenvolvida para jogos de estratégia.
• A estrutura incorpora propriedades de funções motivadas pela economia ao método de aprendizado.
• O documento afirma que a solução é convergente e de alto desempenho, mas não apresenta detalhes experimentais nem resultados aqui.
• Não é possível avaliar rentabilidade e robustez com as informações fornecidas.

Tags

# Deep Reinforcement Learning with Function Properties in Mean Reversion Strategies


# Deep Reinforcement Learning with Function Properties in Mean Reversion Strategies









Over the past decades, researchers have been pushing the limits of Deep Reinforcement Learning (DRL). Although DRL has attracted substantial interest from practitioners, many are blocked by having to search through a plethora of available methodologies that are seemingly alike, while others are still building RL agents from scratch based on classical theories. To address the aforementioned gaps in adopting the latest DRL methods, I am particularly interested in testing out if any of the recent technology developed by the leads in the field can be readily applied to a class of optimal trading problems. Unsurprisingly, many prominent breakthroughs in DRL are investigated and tested on strategic games: from AlphaGo to AlphaStar and at about the same time, OpenAI Five. Thus, in this writing, I want to show precisely how to use a DRL library that is initially built for games in a fundamental trading problem; mean reversion. And by introducing a framework that incorporates economically-motivated function properties, I also demonstrate, through the library, a highly-performant and convergent DRL solution to decision-making financial problems in general.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.