自适应定量交易：一种模拟深度强化学习方法

摘要

近年来，人们投入了大量精力开发用于金融研究和应用的人工智能技术。例如，人工智能技术（例如机器学习）可以通过自动完成两项任务来帮助交易员进行定量交易：市场状况识别和交易策略执行。然而，QT中的现有方法面临着挑战，例如表示嘈杂的高频金融数据，以及使用人工智能技术在交易代理的探索和开发之间找到平衡。为了应对这些挑战，我们提出了一种自适应交易模型，即iRDPG，以通过智能交易代理自动开发QT策略。我们的模型通过深度强化学习（DRL）和模仿学习技术得到了增强。具体来说，考虑到有噪声的财务数据，我们将QT过程表示为部分可观测马尔可夫决策过程（POMDP）。此外，我们引入模仿学习来利用有助于平衡探索和开发之间的经典交易策略。为了更好地进行模拟，我们使用分钟频率数据在真实金融市场中训练我们的交易代理。实验结果表明，我们的模型能够提取稳健的市场特征，并且能够适应不同的市场。