Học sâu Q dựa trên cơ chế chú ý để giao dịch quyền chọn straddle

Tóm tắt

Nghiên cứu mô tả một chiến lược tự động mua quyền chọn straddle để hưởng lợi từ biến động giá cao, không cần dự báo giá sẽ tăng hay giảm. Nghiên cứu áp dụng mạng Q sâu kép dựa trên Transformer, dùng cơ chế chú ý trên dữ liệu chuỗi thời gian và thông tin từ nhiều chu kỳ. Thiết kế phần thưởng nhấn mạnh thu nhập vượt mức trong chân trời dài hơn, đồng thời tính đến khoản lỗ vượt ngưỡng dừng; các mức kháng cự cung cấp thêm bối cảnh trong điều kiện thị trường bất định.

Các thử nghiệm bao gồm cổ phiếu Trung Quốc, dầu thô Brent và Bitcoin. Các tác giả báo cáo rằng mô hình dựa trên cơ chế chú ý có mức sụt giảm tối đa thấp nhất trong các thị trường được kiểm định và lợi suất trung bình cao hơn các mô hình so sánh khi loại trừ dầu thô. Vì vậy, lợi thế được báo cáo không đồng đều trên mọi thị trường. Tài liệu không nêu chi tiết cách chọn quyền chọn, chi phí triển khai, giai đoạn lấy mẫu hay độ vững ngoài các thử nghiệm này, nên kết quả không chứng minh được cách tiếp cận sẽ hoạt động ra sao trong giao dịch thực.

Ý chính

• Quyền chọn straddle hướng đến lợi ích từ biến động mà không cần dự báo hướng giá.
• Mô hình kết hợp Transformer và học sâu Q kép với cơ chế chú ý theo thời gian và nhiều chu kỳ.
• Hàm phần thưởng ưu tiên thu nhập vượt mức trong dài hạn hơn, đồng thời tính đến ngưỡng dừng.
• Các mức kháng cự được dùng làm thông tin tham chiếu khi hướng giá chưa rõ.
• So sánh về mức sụt giảm và lợi suất được báo cáo dựa trên ba thị trường; lợi thế lợi suất không bao gồm dầu thô.

Thẻ

# 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.

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.