فیوچرز ٹریڈنگ کے لیے گہری تقویتی تعلیم کی اسٹریٹیجیاں
خلاصہ
یہ مطالعہ مسلسل فیوچرز ٹریڈنگ میں گہری تقویتی تعلیم کا اطلاق کرتا ہے اور منفصل و مسلسل عمل کے دائرے دونوں کا جائزہ لیتا ہے۔ اس میں انعامی افعال میں اتار چڑھاؤ کی پیمانہ بندی شامل ہے تاکہ پوزیشن کے حجم مارکیٹ کے اتار چڑھاؤ کے مطابق ہوں۔ الگورتھمز کو 50 سب سے زیادہ سیال فیوچرز معاہدوں پر 2011 سے 2019 تک آزمایا گیا، جن میں اجناس، حصص اشاریے، مقررہ آمدنی اور زرمبادلہ شامل ہیں۔
رپورٹ کردہ تجربات سیکھی ہوئی اسٹریٹیجیوں کا ٹائم سیریز مومینٹم کے معیاروں سے موازنہ کرتے ہیں اور بتاتے ہیں کہ تقویتی تعلیم کے طریقے، بھاری لین دین اخراجات کے بعد بھی، بہتر کارکردگی دکھاتے ہیں۔ مصنفین ایسی اسٹریٹیجیوں بیان کرتے ہیں جو بڑے رجحانات کے دوران پوزیشنیں برقرار رکھ سکتی ہیں اور استحکام کے دوران سرمایہ کاری گھٹا یا انتظار کر سکتی ہیں۔ دستاویز میں عین الگورتھمز، معاہدوں کی تشکیل، توثیق کے ڈیزائن یا تفصیلی کارکردگی کے پیمانے نہیں دیے گئے؛ اس لیے نتائج کو بیان کردہ ڈیٹاسیٹ اور موازنے کے دائرے میں سمجھیں، مستقبل کے نتائج کی ضمانت کے طور پر نہیں۔
اہم خیالات
- مطالعہ منفصل اور مسلسل ٹریڈنگ اعمال کے ساتھ تقویتی تعلیم کی اسٹریٹیجیاں تربیت دیتا ہے۔
- اتار چڑھاؤ کے مطابق پیمانہ شدہ انعامات بدلتے مارکیٹ اتار چڑھاؤ کے مطابق پوزیشن کا حجم بدلتے ہیں۔
- جائزہ بیان کردہ تاریخی مدت میں کئی اثاثہ جاتی اقسام کے سیال فیوچرز کا احاطہ کرتا ہے۔
- طریقوں کا موازنہ کلاسیکی ٹائم سیریز مومینٹم سے کیا گیا اور رپورٹ کے مطابق لین دین کے اخراجات کے بعد بھی یہ بہتر رہے۔
- خلاصے میں توثیق کے انتخاب یا کارکردگی کے پیمانے جانچنے کے لیے کافی تفصیل نہیں۔
ٹیگز
مکمل متن
# 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.
ماخذ کا حوالہ دیتے ہوئے مکمل متن دکھایا گیا ہے، ماخذ کے لائسنس کے تحت۔ لائسنس: abstract CC0
یہ خلاصہ اصل ماخذ سے Stratmill کے تحقیقی ایجنٹ نے لکھا ہے؛ یہ ماخذ کی نقل نہیں۔