Hogyan alkalmazkodik a megerősítéses tanulás a piaci volatilitáshoz

A legtöbb kereskedési bot statikus. Beállítja a paramétereket, és azok vakon végrehajtják őket. A Megerősítéses Tanulás (RL) megváltoztatja a játékot egy olyan ágens bevezetésével, amely próba-szerencse alapon tanul, optimalizálva egy jutalomfüggvényt (általában a nyereséget és veszteséget).

Az RL hurok a kereskedésben

1. Ágens: A kereskedési bot.
2. Környezet: A piac (árak, ajánlati könyv).
3. Akció: Vásárlás, Eladás vagy Tartás.
4. Jutalom: Nyereség (pozitív) vagy Veszteség (negatív).

Az ágens folyamatosan figyeli a piac állapotát, cselekvést hajt végre, és visszajelzést kap. Millió szimuláció (vagy "epoch") során megtanul egy olyan politikát, amely maximalizálja a hosszú távú jutalmakat.

Alkalmazkodás a volatilitáshoz

Az RL szuperereje az alkalmazkodás.

• Bika piac: Az ágens megtanulja, hogy a "Vedd meg és tartsd" hozza a legmagasabb jutalmat.
• Csapkodó piac: Az ágens rájön, hogy a tartás lehívásokhoz (drawdown) vezet, ezért átvált az átlaghoz való visszatérés (mean-reversion) stílusára.

Ellentétben a Grid Botokkal, amelyeknél Önnek kell megadnia a tartományt, egy RL ágens dinamikusan megtalálhatja az optimális tartományt.

Az RL kihívásai

Nem minden fenékig tejfel. Az RL modellek hajlamosak lehetnek a túlillesztésre (overfitting) – a múltbeli zaj memorizálására a valódi minták megtanulása helyett. Ezért a Feature Engineering kulcsfontosságú ahhoz, hogy tiszta, értelmes adatokkal lássuk el az ágenst.

Próbálja ki

Az "Adaptív" stratégiáink a Vezérlőpulton RL elveket használnak a stop-loss és a take-profit valós idejű beállítására. Tapasztalja meg a kereskedés evolúcióját.