Стратегии торговли фьючерсами на основе глубокого обучения с подкреплением

Сводка

В исследовании глубокое обучение с подкреплением применяется к непрерывной торговле фьючерсами; рассматриваются дискретное и непрерывное пространства действий. В функции вознаграждения включено масштабирование по волатильности, чтобы размеры позиций менялись в ответ на рыночную волатильность. Алгоритмы оцениваются на 50 наиболее ликвидных фьючерсных контрактах за период с 2011 по 2019, охватывающих сырьевые товары, фондовые индексы, инструменты с фиксированным доходом и валютный рынок.

В экспериментах обученные стратегии сравниваются с ориентирами на основе импульса временных рядов; методы обучения с подкреплением показывают лучшие результаты, в том числе после существенных транзакционных издержек. Авторы описывают стратегии, способные сохранять позиции во время сильных трендов и сокращать экспозицию или ждать в периоды консолидации. В документе не указаны точные алгоритмы, формирование контрактов, схема валидации или подробные показатели эффективности, поэтому выводы следует рассматривать в рамках указанного набора данных и схемы сравнения, а не как гарантию будущих результатов.

Ключевые идеи

• В исследовании обучаются стратегии с подкреплением, использующие как дискретные, так и непрерывные торговые действия.
• Вознаграждение, масштабированное по волатильности, корректирует экспозицию позиций при изменении рыночной волатильности.
• Оценка охватывает ликвидные фьючерсы разных классов активов за указанный исторический период.
• Методы сравниваются с классическим импульсом временных рядов; сообщается о превосходстве после учёта транзакционных издержек.
• В резюме недостаточно подробностей, чтобы оценить решения по валидации или метрики эффективности.

Теги

# 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.

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.