多资产环境下的深度强化学习交易
摘要：金融交易已经被广泛分析了几十年，市场参与者和学者始终在寻找先进的方法来提高交易业绩。深度强化学习（DRL）是一种最近再度焕发活力的方法，在多个领域取得了显著成功，但在金融市场上仍然需要证明其益处。我们使用深度Q网络（DQN）为期货合约设计做多做空交易策略。状态空间由波动率归一化的日回报率组成，买入或卖出作为强化学习动作，总奖励定义为我们行动所获得的累积利润。我们的交易策略在真实和模拟价格序列上进行训练和测试，并将结果与指数基准进行对比。我们分析了基于人工数据和实际价格序列组合训练如何成功应用于真实市场。经过训练的强化学习代理被应用于交易E-mini S&P 500连续期货合约。本研究的结果是初步的，需要进一步改进。
作者：Ali Hirsa, Joerg Osterrieder, Branka Hadji-Misheva, Jan-Alexander Posth
论文ID：2106.08437
分类：Trading and Market Microstructure
分类简称：q-fin.TR
提交时间：2021-06-17