Глубокое обучение с подкреплением для торговли фьючерсами на газ

Сводка

В документе представлен практический подход на основе глубокого обучения с подкреплением для торговли фьючерсами на природный газ. Сообщается, что коэффициент Шарпа стратегии превышает показатели эталонных стратегий следования за трендом и возврата к среднему, а также результаты предыдущих исследований. Кроме того, предложен ансамблевый метод, призванный улучшить результаты торговли за счет повышения стабильности и устойчивости модели.

Согласно описанию, ансамбль снижает оборот торговли, а вместе с ним и транзакционные издержки. В статье также обсуждаются интерпретируемость, частота торговли и показатели риска, дополняя сведения о доходности. В кратком описании нет конкретных значений коэффициента Шарпа, периода оценки, данных или схемы проверки, предположений об издержках либо подробностей метода объяснения модели. Поэтому приведенные сравнения отражают результаты оценки в рамках исследования и сами по себе не подтверждают результаты вне выборки или торговлю на реальном счете.

Ключевые идеи

• В статье глубокое обучение с подкреплением применяется для торговли фьючерсами на природный газ.
• Согласно описанию, коэффициент Шарпа превышает показатели эталонных стратегий следования за трендом и возврата к среднему.
• Для повышения стабильности и устойчивости модели предлагается ансамбль.
• Сообщается, что ансамбль снижает оборот торговли и транзакционные издержки.
• В анализе рассматриваются интерпретируемость, частота торговли и показатели риска.

Теги

# Domain-adapted Learning and Interpretability: DRL for Gas Trading


# Domain-adapted Learning and Interpretability: DRL for Gas Trading









Deep Reinforcement Learning (Deep RL) has been explored for a number of applications in finance and stock trading. In this paper, we present a practical implementation of Deep RL for trading natural gas futures contracts. The Sharpe Ratio obtained exceeds benchmarks given by trend following and mean reversion strategies as well as results reported in literature. Moreover, we propose a simple but effective ensemble learning scheme for trading, which significantly improves performance through enhanced model stability and robustness as well as lower turnover and hence lower transaction cost. We discuss the resulting Deep RL strategy in terms of model explainability, trading frequency and risk measures.

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.