Глубокое Q-обучение со вниманием для торговли стрэддлами

Сводка

В исследовании описан автоматизированный подход к торговле на росте волатильности с помощью опционов «стрэддл», без прогноза направления изменения цен. Применяется двойная глубокая Q-сеть на основе Transformer, использующая механизм внимания для временных рядов и данные из нескольких циклов. Функция вознаграждения ориентирована на избыточную прибыль на более длительном горизонте и учитывает убытки за пределами порога стопа; в неопределенных рыночных условиях дополнительным контекстом служат уровни сопротивления.

Эксперименты охватывают китайские акции, нефть Brent и Bitcoin. По утверждению авторов, модель с механизмом внимания показала наименьшую максимальную просадку на всех тестируемых рынках и более высокую среднюю доходность, чем модели сравнения, если не учитывать нефть. Следовательно, заявленное преимущество не проявляется одинаково на всех рынках. В документе нет подробностей об отборе опционов, издержках реализации, периодах выборки или проверках устойчивости за пределами этих экспериментов, поэтому результаты не позволяют судить об эффективности подхода в реальной торговле.

Ключевые идеи

• Стрэддл-опционы позволяют ориентироваться на волатильность без прогноза направления цены.
• Модель объединяет Transformer и двойное глубокое Q-обучение с временным вниманием и вниманием к нескольким циклам.
• Функция вознаграждения отдает приоритет долгосрочной избыточной прибыли и учитывает порог стопа.
• При неопределенном направлении цены уровни сопротивления используются как ориентир.
• Заявленные сравнения просадки и доходности охватывают три рынка; преимущество по доходности не включает нефть.

Теги

# 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.

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.