Глубокое обучение с подкреплением для торговли на возврате к среднему

Сводка

В документе описано применение глубокого обучения с подкреплением к торговле на возврате к среднему. Цель — сделать современные методы обучения с подкреплением доступнее для практиков, которым иначе пришлось бы выбирать среди множества подходов или создавать агентов на основе классических методов. В предлагаемой демонстрации библиотека обучения с подкреплением, изначально разработанная для стратегических игр, применяется для принятия финансовых решений.

В основу системы также заложены экономически обоснованные свойства функций; заявленная цель — получить сходящееся решение с высокой результативностью. Однако в документе не указаны конкретная архитектура модели, схема вознаграждения, торговые правила, данные, эталонный метод или численные результаты. Поэтому здесь изложены подход и его мотивация, но недостаточно свидетельств для оценки прибыльности, устойчивости или эффективности относительно других методов. В этом фрагменте утверждения о сходимости и результативности не подкреплены экспериментальными подробностями.

Ключевые идеи

• В работе глубокое обучение с подкреплением применяется к торговле на возврате к среднему.
• В качестве примера библиотека, изначально созданная для стратегических игр, применяется к торговой задаче.
• В методе обучения учитываются экономически обоснованные свойства функций.
• В документе заявлено о сходящемся решении с высокой результативностью, но экспериментальных подробностей и результатов здесь нет.
• По предоставленной информации оценить прибыльность и устойчивость невозможно.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.