Как обучението с подкрепление се адаптира към пазарната волатилност

Повечето търговски ботове са статични. Вие задавате параметрите и те изпълняват сляпо. Обучението с подкрепление (RL) променя играта, като въвежда агент, който се учи чрез проба и грешка, оптимизирайки за функция на възнаграждение (обикновено Печалба и Загуба).

RL цикълът в търговията

1. Агент: Търговският бот.
2. Среда: Пазарът (цени, книга за поръчки).
3. Действие: Купува, Продава или Задържа.
4. Възнаграждение: Печалба (положително) или Загуба (отрицателно).

Агентът постоянно наблюдава състоянието на пазара, предприема действие и получава обратна връзка. В продължение на милиони симулации (или "епохи"), той научава политика, която максимизира дългосрочните възнаграждения.

Адаптиране към волатилност

Суперсилата на RL е адаптацията.

• Бичи пазар: Агентът научава, че "Купи и дръж" носи най-голямо възнаграждение.
• Накъсан пазар: Агентът осъзнава, че държането води до спадове, затова преминава към стил на връщане към средната стойност (mean-reversion).

За разлика от Grid Bots, които изискват от вас да дефинирате диапазона, RL агентът може да намери оптималния диапазон динамично.

Предизвикателства на RL

Не всичко върви по вода. RL моделите могат да бъдат склонни към преобучение (overfitting) — запомняне на миналия шум вместо научаване на истински модели. Ето защо Инженерингът на характеристики е от решаващо значение за подаване на чисти, значими данни към агента.

Изпробвайте го

Нашите "Адаптивни" стратегии в Таблото използват принципи на RL, за да коригират стоп-загубите и тейк-профитите в реално време. Изпитайте еволюцията на търговията.