Học tăng cường sâu thích ứng miền cho giao dịch hợp đồng tương lai khí đốt

Tóm tắt

Tài liệu trình bày cách tiếp cận học tăng cường sâu thực tiễn để giao dịch hợp đồng tương lai khí đốt tự nhiên. Tài liệu báo cáo tỷ lệ Sharpe của chiến lược cao hơn các chuẩn so sánh theo xu hướng và hồi quy về trung bình, cũng như kết quả từ các nghiên cứu trước. Tài liệu cũng giới thiệu phương pháp tổ hợp nhằm cải thiện hiệu suất giao dịch bằng cách làm cho mô hình ổn định và vững hơn.

Theo báo cáo, phương pháp tổ hợp làm giảm vòng quay và qua đó giảm chi phí giao dịch. Bài viết cũng thảo luận khả năng diễn giải, tần suất giao dịch và các thước đo rủi ro, bổ sung bối cảnh ngoài lợi suất nổi bật. Phần tóm tắt không cung cấp giá trị Sharpe cụ thể, giai đoạn đánh giá, dữ liệu hay thiết kế xác thực, giả định chi phí hoặc chi tiết về phương pháp giải thích. Vì vậy, các so sánh được báo cáo là những tuyên bố về đánh giá của nghiên cứu và tự chúng không thể xác lập hiệu suất ngoài mẫu hay giao dịch thực.

Ý chính

• Bài viết áp dụng học tăng cường sâu vào giao dịch hợp đồng tương lai khí đốt tự nhiên.
• Tỷ lệ Sharpe được báo cáo cao hơn các chuẩn theo xu hướng và hồi quy về trung bình.
• Phương pháp tổ hợp được đề xuất nhằm cải thiện độ ổn định và độ vững của mô hình.
• Theo báo cáo, phương pháp tổ hợp làm giảm vòng quay và chi phí giao dịch.
• Phân tích đề cập đến khả năng diễn giải, tần suất giao dịch và các thước đo rủi ro.

Thẻ

# Domain-adapted Learning and Interpretability: DRL for Gas Trading


# Domain-adapted Learning and Interpretability: DRL for Gas Trading









Deep Reinforcement Learning (Deep RL) has been explored for a number of applications in finance and stock trading. In this paper, we present a practical implementation of Deep RL for trading natural gas futures contracts. The Sharpe Ratio obtained exceeds benchmarks given by trend following and mean reversion strategies as well as results reported in literature. Moreover, we propose a simple but effective ensemble learning scheme for trading, which significantly improves performance through enhanced model stability and robustness as well as lower turnover and hence lower transaction cost. We discuss the resulting Deep RL strategy in terms of model explainability, trading frequency and risk measures.

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.