Deep Q-learning com atenção para trading de opções straddle

Resumo

O estudo descreve uma abordagem automatizada de volatilidade comprada que opera opções straddle sem prever se os preços vão subir ou cair. Aplica uma rede double deep Q baseada em Transformer, usando atenção sobre entradas de séries temporais e informações de vários ciclos. O desenho da recompensa enfatiza ganhos excedentes em um horizonte mais longo e considera perdas além de um limite de stop; níveis de resistência fornecem contexto adicional em condições de mercado incertas.

Os experimentos abrangem ações chinesas, petróleo Brent e Bitcoin. Os autores relatam que seu modelo baseado em atenção teve o menor drawdown máximo nos mercados testados e retornos médios mais altos que os modelos de comparação quando o petróleo bruto foi excluído. Portanto, a vantagem relatada não é uniforme em todos os mercados. O documento não detalha a seleção de opções, os custos de implementação, os períodos da amostra nem a robustez além desses experimentos; assim, os resultados não demonstram como a abordagem se sairia no trading ao vivo.

Ideias principais

• Opções straddle buscam se beneficiar da volatilidade sem exigir uma previsão direcional dos preços.
• O modelo combina um Transformer e deep Q-learning duplo com atenção temporal e entre vários ciclos.
• A função de recompensa prioriza ganhos excedentes de longo prazo e incorpora um limite de stop.
• Níveis de resistência são usados como informação de referência quando a direção dos preços é incerta.
• As comparações relatadas de drawdown e retorno vêm de três mercados; a vantagem de retorno não inclui petróleo bruto.

Tags

# 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.

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.