强化学习在金融中的应用——基于双深度 Q 网络的交易
机器学习
2022-06-30 v1 交易与市场微观结构
摘要
本文提出一种用于单一资产交易的双深度 Q 网络（Double Deep Q-Network）算法，即 E-mini S&P 500 连续期货合约。我们以已验证的设定作为环境基础并做了多处扩展。我们的交易智能体的特征不断扩展以纳入额外资产（如大宗商品），从而形成四个模型。我们也对环境条件（包括成本与危机）作出响应。我们的交易智能体先在特定时间段训练，再在新数据上测试，并与作为基准的买入持有策略（市场）比较。我们分析了不同模型间差异以及关于环境的样本内/样本外表现。实验结果显示交易智能体遵循恰当行为。它能针对不同环境调整策略，例如当存在交易成本时更频繁使用中性仓位。此外，净资产价值超过基准，且智能体在测试集上跑赢市场。我们提供了使用 DDQN 算法在金融领域中智能体行为的初步洞见。本研究结果可用于进一步开发。
引用
@article{arxiv.2206.14267,
title = {Applications of Reinforcement Learning in Finance -- Trading with a Double Deep Q-Network},
author = {Frensi Zejnullahu and Maurice Moser and Joerg Osterrieder},
journal= {arXiv preprint arXiv:2206.14267},
year = {2022}
}