Estratégias de trading de futuros com aprendizado por reforço profundo

Resumo

Este estudo aplica aprendizado por reforço profundo ao trading contínuo de futuros e examina espaços de ação discretos e contínuos. Incorpora escala de volatilidade às funções de recompensa, para que o tamanho das posições responda à volatilidade do mercado. Os algoritmos são avaliados nos 50 contratos futuros mais líquidos, de 2011 a 2019, abrangendo commodities, índices de ações, renda fixa e câmbio.

Os experimentos relatados comparam as estratégias aprendidas com referências de momentum de séries temporais e concluem que os métodos de aprendizado por reforço têm melhor desempenho, inclusive após custos de transação elevados. Os autores descrevem estratégias capazes de manter posições durante tendências fortes e reduzir a exposição ou aguardar durante períodos de consolidação. O documento não especifica os algoritmos exatos, a construção dos contratos, o desenho da validação ou medidas detalhadas de desempenho; portanto, os resultados devem ser entendidos no contexto do conjunto de dados e da estrutura de comparação informados, e não como garantia de resultados futuros.

Ideias principais

• O estudo treina estratégias de aprendizado por reforço com ações de trading discretas e contínuas.
• Recompensas ajustadas pela volatilidade adaptam a exposição das posições às mudanças na volatilidade do mercado.
• A avaliação abrange futuros líquidos de diversas classes de ativos ao longo do período histórico informado.
• Os métodos são comparados com momentum clássico de séries temporais e, segundo o relato, superam-no após os custos de transação.
• O resumo não fornece detalhes suficientes para avaliar as escolhas de validação ou as métricas de desempenho.

Tags

# 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.

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.