期货交易的深度强化学习

文章 arXiv papers · 作者: Zihao Zhang et al.

总结

本研究将深度强化学习用于连续期货交易，考察离散和连续动作空间。研究在奖励函数中加入波动率缩放，使头寸规模能够随市场波动率调整。算法在 50 个流动性最高的期货合约上进行评估，覆盖 2011 至 2019，资产类别包括大宗商品、股票指数、固定收益和外汇。

据报告，实验将学习得到的策略与时间序列动量基准进行比较，发现强化学习方法表现更好，即使在交易成本较高时也是如此。作者描述的策略能够在大趋势中保持头寸，并在盘整期间降低敞口或等待。本文未说明具体算法、合约构建方式、验证设计或详细表现指标，因此这些发现应限定于所述数据集和比较框架，而不能视为对未来结果的保证。

核心观点

研究使用离散和连续交易动作训练强化学习策略。
经波动率缩放的奖励会根据市场波动变化调整头寸敞口。
评估涵盖所述历史时期内多个资产类别的高流动性期货。
研究将这些方法与经典时间序列动量进行比较，并报告称其在计入交易成本后表现更好。
摘要没有提供足够细节来评估验证选择或表现指标。

# 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.

在遵守原作品许可的前提下，附作者信息全文展示。许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。

期货交易的深度强化学习策略

总结

核心观点

标签