跳至正文
返回文库全部文档

领域适配深度强化学习与天然气期货

文章 arXiv papers · 作者: Yuanrong Wang et al.
阅读原文

总结

本文提出一种用于天然气期货交易的实用深度强化学习方法。研究报告称，该策略的夏普比率高于趋势跟随和均值回归基准，也高于既有文献中的结果。研究还提出一种集成方法，旨在提高模型的稳定性和稳健性，从而改善交易表现。

据报告，该集成方法降低了换手率，进而减少交易成本。论文还讨论可解释性、交易频率和风险指标，提供了核心收益以外的背景信息。摘要未提供具体夏普值、评估期间、数据或验证设计、成本假设，以及解释方法的细节。因此，报告的比较只是对研究评估结果的陈述，本身无法确立样本外或实盘交易表现。

核心观点

  • 本文将深度强化学习用于天然气期货交易。
  • 据报告，夏普比率高于趋势跟随和均值回归基准。
  • 研究提出集成方法，以提高模型的稳定性和稳健性。
  • 据报告，集成方法降低了换手率和交易成本。
  • 分析涉及可解释性、交易频率和风险指标。

标签

期货大宗商品机器学习趋势跟踪均值回归
全文
# 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.

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。