Kuinka Vahvistusoppiminen mukautuu markkinoiden volatiliteettiin

Useimmat kaupankäyntibotit ovat staattisia. Asetat parametrit, ja ne suorittavat sokeasti. Vahvistusoppiminen (Reinforcement Learning, RL) muuttaa pelin esittelemällä agentin, joka oppii yrityksen ja erehdyksen kautta, optimoiden palkkiofunktiota (yleensä Voitto & Tappio).

RL-silmukka kaupankäynnissä

1. Agentti: Kaupankäyntibotti.
2. Ympäristö: Markkina (hinnat, tilauskirja).
3. Toiminta: Osta, Myy tai Pidä.
4. Palkkio: Voitto (positiivinen) tai Tappio (negatiivinen).

Agentti tarkkailee jatkuvasti markkinoiden tilaa, ryhtyy toimiin ja saa palautetta.

Mukautuminen volatiliteettiin

RL:n supervoima on mukautuminen.

• Härkämarkkina: Agentti oppii, että "Osta ja Pidä" tuottaa suurimman palkkion.
• Silppurinen markkina: Agentti tajuaa, että pitäminen johtaa drawdowneihin, joten se vaihtaa keskiarvoon palautuvaan tyyliin.

Antaen RL-agentin löytää optimaalisen alueen dynaamisesti.

RL:n haasteet

Se ei ole pelkkää myötätuulta. RL-mallit voivat olla alttiita ylisovitukselle (overfitting) – menneen kohinan ulkoa opettelulle todellisten mallien oppimisen sijaan. Siksi Ominaisuuksien suunnittelu on ratkaisevan tärkeää.

Kokeile sitä

"Mukautuvat" strategiamme Kojelaudalla hyödyntävät RL-periaatteita säätääkseen stop-losseja ja take-profiteja reaaliajassa. Koe kaupankäynnin evoluutio.