Kuidas tugevdusõpe kohaneb turu volatiilsusega

Enamik kauplemisroboteid on staatilised. Seadistate parameetrid ja nad täidavad neid pimesi. Tugevdusõpe (RL) muudab mängu, tutvustades agenti, mis õpib katse-eksituse meetodil, optimeerides tasufunktsiooni (tavaliselt kasum ja kahjum) jaoks.

RL tsükkel kauplemises

1. Agent: Kauplemisrobot.
2. Keskkond: Turg (hinnad, tellimusraamat).
3. Tegevus: Osta, Müü või Hoia.
4. Tasu: Kasum (positiivne) või Kahjum (negatiivne).

Agent jälgib pidevalt turu olekut, teeb tegevuse ja saab tagasisidet. Miljonite simulatsioonide (või "epohhide") jooksul õpib see poliitika, mis maksimeerib pikaajalisi tasusid.

Kohanemine volatiilsusega

RL-i supervõime on kohanemine.

• Pulliturg: Agent õpib, et "Osta ja Hoia" annab suurima tasu.
• Rahutu turg: Agent mõistab, et hoidmine viib langusteni, seega lülitub see ümber keskmise juurde tagasipöördumise stiilile.

Erinevalt Võrgurobotitest, mis nõuavad vahemiku määramist, suudab RL agent leida optimaalse vahemiku dünaamiliselt.

RL-i väljakutsed

Kõik pole sujuv. RL mudelid võivad kalduda üleliigsele sobitamisele (overfitting)—varasema müra meeldejätmisele tõeliste mustrite õppimise asemel. Seetõttu on Funktsioonide inseneriteadus ülioluline, et toita agendile puhtaid ja tähenduslikke andmeid.

Proovige järele

Meie "Adaptiivsed" strateegiad Armatuurlaual kasutavad RL printsiipe, et kohandada stopp-kaotusi ja kasumivõtmisi reaalajas. Kogege kauplemise evolutsiooni.