Kết hợp chọn cặp và giao dịch bằng học tăng cường phân cấp

Tóm tắt

Bài báo xem giao dịch theo cặp là một bài toán ra quyết định kết hợp, thay vì quy trình trước tiên chọn một cặp tài sản rồi mới giao dịch. Các tác giả cho rằng tách hai giai đoạn này có thể làm mất thông tin hữu ích: bước chọn cặp có thể bỏ qua khả năng giao dịch hiệu quả, trong khi tác nhân giao dịch có thể quá khớp với các tài sản đã chọn mà không học từ toàn bộ tập tài sản.

Phương pháp học tăng cường phân cấp của họ giao việc chọn cặp cho chính sách cấp cao và hành động giao dịch cho chính sách cấp thấp. Hai chính sách được tối ưu hóa cùng nhau, cho phép quyết định chọn cặp và thực hiện giao dịch bổ trợ lẫn nhau. Nghiên cứu báo cáo các thử nghiệm trên dữ liệu cổ phiếu thực tế cho thấy hiệu quả giao dịch theo cặp được cải thiện so với các phương pháp chọn cặp và giao dịch hiện có. Tài liệu không cung cấp số liệu hiệu suất cụ thể hoặc giới hạn thử nghiệm chi tiết, nên chưa xác định được phương pháp khái quát ra sao sang thị trường, nhóm tài sản hoặc chi phí giao dịch khác.

Ý chính

• Có thể học việc chọn cặp và thực hiện giao dịch như những phần kết nối trong cùng một nhiệm vụ.
• Chính sách cấp cao chọn cặp tài sản, còn chính sách cấp thấp đưa ra quyết định giao dịch.
• Học kết hợp có thể đưa thông tin về hiệu quả giao dịch trở lại bước chọn cặp.
• Nghiên cứu báo cáo các phép so sánh trên dữ liệu cổ phiếu thực tế với những phương pháp hiện có.
• Mô tả được cung cấp không nêu số liệu hiệu suất chi tiết hay bằng chứng ngoài các thử nghiệm cổ phiếu.

Thẻ

# Select and Trade: Towards Unified Pair Trading with Hierarchical Reinforcement Learning


# Select and Trade: Towards Unified Pair Trading with Hierarchical Reinforcement Learning









Pair trading is one of the most effective statistical arbitrage strategies which seeks a neutral profit by hedging a pair of selected assets. Existing methods generally decompose the task into two separate steps: pair selection and trading. However, the decoupling of two closely related subtasks can block information propagation and lead to limited overall performance. For pair selection, ignoring the trading performance results in the wrong assets being selected with irrelevant price movements, while the agent trained for trading can overfit to the selected assets without any historical information of other assets. To address it, in this paper, we propose a paradigm for automatic pair trading as a unified task rather than a two-step pipeline. We design a hierarchical reinforcement learning framework to jointly learn and optimize two subtasks. A high-level policy would select two assets from all possible combinations and a low-level policy would then perform a series of trading actions. Experimental results on real-world stock data demonstrate the effectiveness of our method on pair trading compared with both existing pair selection and trading methods.

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.