Tối ưu hóa Bayes cho chiến lược giao dịch thích ứng không dừng

Tóm tắt

Bài viết mô hình hóa giao dịch tự động trong điều kiện thị trường thay đổi thành bài toán bandit liên tục có vô số nhánh và không dừng. Bài viết đề xuất PRBO, kết hợp tối ưu hóa Bayes với phương pháp bandit trên bandit để điều chỉnh tham số chiến lược khi điều kiện thay đổi. Phương pháp được đánh giá trong mô phỏng Sở Giao dịch Chứng khoán Bristol, nơi các tác nhân tự động với chiến lược không đồng nhất tham gia thị trường. Chuẩn đối chiếu là PRSH, một chiến lược điều chỉnh tham số bằng phương pháp leo đồi ngẫu nhiên.

Kết quả mô phỏng được báo cáo cho thấy PRBO thu lợi nhuận cao hơn đáng kể so với PRSH, đồng thời cần điều chỉnh ít siêu tham số hơn. Điều này gợi ý lợi thế tiềm năng của tối ưu hóa Bayes trong thiết lập giao dịch thích ứng được thử nghiệm. Tuy nhiên, phần mô tả được cung cấp không nêu lợi suất tuyệt đối, ước tính độ bất định hay chi tiết về các kịch bản thị trường và thiết lập tham số. Bằng chứng chỉ giới hạn trong phép so sánh mô phỏng đã nêu, nên không xác lập rằng PRBO sẽ vượt trội trên thị trường thực hoặc với các chuẩn đối chiếu và điều kiện khác.

Ý chính

• Bài viết mô hình hóa việc điều chỉnh tham số giao dịch theo điều kiện thay đổi thành bài toán bandit liên tục có vô số nhánh và không dừng.
• PRBO dùng tối ưu hóa Bayes trong khuôn khổ bandit trên bandit để điều chỉnh tham số chiến lược.
• Phép đánh giá dùng mô phỏng Sở Giao dịch Chứng khoán Bristol với các tác nhân tự động không đồng nhất.
• PRBO được so sánh với PRSH, chiến lược điều chỉnh tham số bằng phương pháp leo đồi ngẫu nhiên.
• Mô phỏng được báo cáo cho thấy PRBO có lợi nhuận cao hơn đáng kể và cần ít siêu tham số hơn để điều chỉnh.
• Phần trích dẫn không xác lập hiệu suất trên thị trường thực hoặc với các chuẩn đối chiếu khác.

Thẻ

# Nonstationary Continuum-Armed Bandit Strategies for Automated Trading in a Simulated Financial Market


# Nonstationary Continuum-Armed Bandit Strategies for Automated Trading in a Simulated Financial Market









We approach the problem of designing an automated trading strategy that can consistently profit by adapting to changing market conditions. This challenge can be framed as a Nonstationary Continuum-Armed Bandit (NCAB) problem. To solve the NCAB problem, we propose PRBO, a novel trading algorithm that uses Bayesian optimization and a ``bandit-over-bandit'' framework to dynamically adjust strategy parameters in response to market conditions. We use Bristol Stock Exchange (BSE) to simulate financial markets containing heterogeneous populations of automated trading agents and compare PRBO with PRSH, a reference trading strategy that adapts strategy parameters through stochastic hill-climbing. Results show that PRBO generates significantly more profit than PRSH, despite having fewer hyperparameters to tune. The code for PRBO and performing experiments is available online open-source (https://github.com/HarmoniaLeo/PRZI-Bayesian-Optimisation).

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.