Ứng dụng học tăng cường sâu vào giao dịch hồi quy về trung bình

Tóm tắt

Tài liệu mô tả việc áp dụng học tăng cường sâu vào bài toán giao dịch hồi quy về trung bình. Nghiên cứu nhằm giúp các phương pháp học tăng cường gần đây dễ tiếp cận hơn với người thực hành, những người nếu không có thể phải chọn giữa nhiều cách tiếp cận hoặc xây dựng tác nhân từ nền tảng cổ điển. Phần minh họa đề xuất sử dụng một thư viện học tăng cường vốn được phát triển cho trò chơi chiến thuật và áp dụng thư viện này vào việc ra quyết định tài chính.

Khung phương pháp cũng đưa vào các thuộc tính hàm có cơ sở kinh tế, với mục tiêu được nêu là tạo ra một giải pháp hội tụ và có hiệu suất cao. Tuy nhiên, tài liệu không cung cấp kiến trúc mô hình cụ thể, cách thiết kế phần thưởng, quy tắc giao dịch, dữ liệu, chuẩn đối chiếu hay kết quả định lượng. Vì vậy, tài liệu phác thảo cách tiếp cận và động cơ của nghiên cứu, chứ chưa đưa ra đủ bằng chứng để đánh giá khả năng sinh lời, độ vững hay hiệu suất so với các phương pháp khác. Các tuyên bố về tính hội tụ và hiệu suất trong trích đoạn này không đi kèm chi tiết thực nghiệm hỗ trợ.

Ý chính

• Nghiên cứu áp dụng học tăng cường sâu vào giao dịch hồi quy về trung bình.
• Nghiên cứu minh họa việc dùng thư viện ban đầu được phát triển cho trò chơi chiến thuật vào một bài toán giao dịch.
• Khung phương pháp đưa các thuộc tính hàm có cơ sở kinh tế vào phương pháp học.
• Tài liệu tuyên bố giải pháp hội tụ, có hiệu suất cao nhưng không cung cấp chi tiết thực nghiệm hay kết quả ở đây.
• Không thể đánh giá khả năng sinh lời và độ vững dựa trên thông tin được cung cấp.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.