Chiến lược học tăng cường sâu cho giao dịch hợp đồng tương lai

Tóm tắt

Nghiên cứu áp dụng học tăng cường sâu vào giao dịch hợp đồng tương lai liên tục, xem xét cả không gian hành động rời rạc và liên tục. Nghiên cứu đưa hệ số điều chỉnh theo biến động vào hàm phần thưởng để quy mô vị thế phản ứng với biến động thị trường. Các thuật toán được đánh giá trên 50 hợp đồng tương lai có thanh khoản cao nhất từ 2011 đến 2019, bao gồm hàng hóa, chỉ số cổ phiếu, thu nhập cố định và ngoại hối.

Các thử nghiệm được báo cáo so sánh chiến lược đã học với chuẩn động lượng chuỗi thời gian và cho thấy phương pháp học tăng cường đạt kết quả tốt hơn, kể cả sau khi tính chi phí giao dịch cao. Các tác giả mô tả những chiến lược có thể duy trì vị thế qua các xu hướng lớn và giảm mức độ tiếp xúc hoặc chờ đợi khi thị trường đi ngang. Tài liệu không nêu chính xác các thuật toán, cách xây dựng hợp đồng, thiết kế kiểm định hay thước đo hiệu suất chi tiết, nên cần hiểu các phát hiện trong phạm vi bộ dữ liệu và khung so sánh đã nêu, chứ không phải bảo đảm về kết quả tương lai.

Ý chính

• Nghiên cứu huấn luyện chiến lược học tăng cường với cả hành động giao dịch rời rạc và liên tục.
• Phần thưởng được điều chỉnh theo biến động giúp thay đổi mức độ tiếp xúc của vị thế theo biến động thị trường.
• Đánh giá bao quát các hợp đồng tương lai có thanh khoản cao thuộc nhiều nhóm tài sản trong giai đoạn lịch sử đã nêu.
• Các phương pháp được so sánh với động lượng chuỗi thời gian cổ điển và được báo cáo là vượt trội sau khi tính chi phí giao dịch.
• Bản tóm tắt không cung cấp đủ chi tiết để đánh giá lựa chọn kiểm định hay thước đo hiệu suất.

Thẻ

# 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.

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.