IJCAIMay, 2023

面向可推广的交易执行的强化学习

PDF
TL;DR优化交易执行是以最低交易成本在给定时间内出售（或购买）一定数量的资产。本研究主要针对优化交易执行中的过拟合问题进行全面研究，提出了离线强化学习模型（ORDC）来模拟最优交易执行，并通过学习紧凑的上下文表示来有效缓解过拟合问题。实验结果表明，该方法在历史限价挂单簿数据模拟器上取得了更好的性能。
optimized trade executionreinforcement learningoverfittingoffline rlcontext representation
发现论文，激发创造
  • 结合订单簿的深度学习和强化学习进行盈利交易

    应用深度学习和强化学习结合，利用订单流量失衡进行多时间段预测收益的研究，为五种金融工具提供交易信号，并通过回测模拟和前期测试在零售交易平台验证了模型的潜力，但还需要进一步修改以应对零售交易成本、滑点和点差的波动。

    Oct, 2023

  • 从赌徒模型到深度确定性策略梯度，具有情境信息的强化学习

    在研究中，我们采用了两种方法来解决情境信息的问题：情境 Thompson 抽样和受监督的强化学习，这可以加速搜索最佳答案的迭代。为了研究量化市场中的战略交易，我们将之前的金融交易策略（常比例保险组合）与深度确定性策略梯度相结合。实验结果表明，两种方法都可以加速强化学习的进展，以获取最优解。

    Oct, 2023

  • 基于数据跨分割的强化学习算法交易中的改进泛化

    在这项研究中，我们提出了一种用于算法交易的强化学习（RL）算法，该算法基于来自学习预测模型的信号并解决了在薄交易金融市场和不同资产市场中交易策略必须考虑更难改变的持仓的长期影响这些挑战。我们在马来西亚证券交易所 20 多年的股票数据上测试了我们的算法。

    Jul, 2023

  • 使用强化学习的最优执行

    本文研究了最优订单执行的问题，针对加密货币交易所的多样性，首次尝试通过多个交易所的数据进行交叉验证。与大多数以单一交易所信息为中心的研究不同，我们探讨了交叉交易信号对代理人决策的影响。实验结果表明，交叉交易信号可以为加密货币的最优执行提供额外的信息，以促进执行流程。

    Jun, 2023

  • 双重深度 Q 学习用于最优执行

    采用 Deep Q-Learning 算法，基于当前的交易信号和订单簿信息预测股票交易的最佳行动方案，并在九种不同的股票上进行了实验，在大多数股票上优于标准基准方法，且表现以超额收益率、超额率和收益 - 损失比为优。

    Dec, 2018

  • 使用 Oracle 政策蒸馏进行订单执行的通用交易

    该研究提出了一种基于增强学习和策略优化的框架，通过引入一个策略蒸馏方法来优化订单执行的普遍交易策略，以更好地指导基于模型无关的方法实现有效的订单执行。

    Jan, 2021

  • 外汇市场多智能体异步分布的交易优化深度强化学习方法

    这项研究开创性地应用了多智能体强化学习（MA RL）框架与最先进的异步优势演员 - 评论家（A3C）算法，结果表明此方法可以更广泛和更快地探索不同的货币对，显著提高交易收益。此外，代理可以在较短时间内学习到更有利可图的交易策略。

    May, 2024

  • 一种增强学习扩展的 Almgren-Chriss 模型，用于最优交易执行

    探索强化学习作为一种候选机器学习技术，结合市场微观结构元素，以增强现有的分析解决方案，实现优化交易执行。利用标准 Almgren-Chriss 模型作为基本模型，在实时执行过程中，通过训练学习代理人根据市场的传播和量动态来修改交易量轨迹，从而提高交易的成本效益， 相比基本模型，我们在南非股票市场的样本中，平均实现剩余成本比提高了 10.3%。

    Mar, 2014

  • 离线强化学习的极简主义方法

    通过在在线强化学习算法的策略更新中添加行为克隆项并规范化数据，在保持简单性的同时，最大限度地提高了运行效率，从而实现了与现有离线 RL 算法相当的性能。

    Jun, 2021

  • 交易市场的稳健风险敏感的强化学习智能体

    提出了一系列用于对付高波动性、高代价探索、多智能体交互等具有挑战性的贸易市场的强化学习算法，并将其应用于多智能体环境。这些算法不仅考虑风险意识、扰动下的鲁棒性和低学习方差，还进行了实证博弈理论的扩展。

    Jul, 2021