अनुकूलनशील मात्रात्मक व्यापार: एक अनुकरण योग्य गहन सुदृढीकरण सीखने का दृष्टिकोण

हाल के वर्षों में, वित्त अनुसंधान और अनुप्रयोगों के लिए AI तकनीकों के विकास पर काफी प्रयास किए गए हैं। उदाहरण के लिए, AI तकनीकें (जैसे, मशीन लर्निंग) मात्रात्मक व्यापार (QT) में व्यापारियों की सहायता कर सकती हैं, दो कार्यों को स्वचालित करके: बाजार की स्थिति की पहचान और व्यापार रणनीतियों का कार्यान्वयन। हालांकि, QT में मौजूदा विधियों को शोर वाले उच्च-आवृत्ति वित्तीय डेटा का प्रतिनिधित्व करने और AI तकनीकों के साथ व्यापार एजेंट के अन्वेषण और शोषण के बीच संतुलन खोजने जैसी चुनौतियों का सामना करना पड़ता है। चुनौतियों का समाधान करने के लिए, हम एक अनुकूलनशील व्यापार मॉडल, जिसे iRDPG कहा जाता है, का प्रस्ताव करते हैं, ताकि एक बुद्धिमान व्यापार एजेंट द्वारा स्वचालित रूप से QT रणनीतियों को विकसित किया जा सके। हमारा मॉडल गहन सुदृढीकरण सीखने (DRL) और अनुकरण लर्निंग तकनीकों द्वारा संवर्धित है। विशेष रूप से, शोर वाले वित्तीय डेटा को ध्यान में रखते हुए, हम QT प्रक्रिया को आंशिक रूप से अवलोकनीय मार्कोव निर्णय प्रक्रिया (POMDP) के रूप में तैयार करते हैं। इसके अतिरिक्त, हम अन्वेषण और शोषण के बीच संतुलन बनाने के लिए उपयोगी पारंपरिक व्यापार रणनीतियों का लाभ उठाने के लिए अनुकरण लर्निंग पेश करते हैं। बेहतर अनुकरण के लिए, हम अपने व्यापार एजेंट को वास्तविक वित्तीय बाजार में मिनट की आवृत्ति डेटा का उपयोग करके प्रशिक्षित करते हैं। प्रयोगात्मक परिणाम दर्शाते हैं कि हमारा मॉडल मजबूत बाजार सुविधाओं को निकाल सकता है और विभिन्न बाजारों में अनुकूल हो सकता है।