Adaptive Algorithm for Selecting the Optimal Trading Strategy Based on Reinforcement Learning for Managing a Hedge Fund

IEEE Access. 2024. Vol. 12. P. 189047–189063.

Belyakov B., Сизых Д. С.

В управлении хедж-фондами способность динамически выбирать оптимальные торговые стратегии имеет первостепенное значение для максимизации доходности и снижения риска. В этой статье представлен новаторский подход, который интегрирует обучение с подкреплением (RL), в частности алгоритм оптимизации проксимальной политики (PPO), в процесс выбора стратегии для управления хедж-фондами. Наша модель рассматривает разнообразный спектр стратегий, включая возврат к среднему и импульс, и использует передовые математические структуры для оценки и выбора стратегий. Используя RL, наш алгоритм учится адаптивно корректировать распределение стратегий для максимизации совокупной доходности, соблюдая ограничения риска. Мы демонстрируем эффективность нашего подхода с помощью обширного бэктестинга и проверки исторических рыночных данных, демонстрируя превосходную производительность по сравнению с традиционными методами. Тем не менее, важно понимать, что обучение торговых агентов требует значительного количества времени, вычислительной мощности и других ресурсов. Наши исследования предлагают новую перспективу использования RL для оптимизации выбора стратегии в управлении хедж-фондами и подчеркивают потенциал подходов на основе ИИ в финансах.

Ключевые слова: хедж-фонды, торговая политика, алгоритмическая торговля, algorithmic trading, deep reinforcement learning, artificial intelligence, глубокое машинное обучение, искуственный интеллект, hedge fund management, optimal trading strategy, Proximal Policy Optimization (PPO) algorithm, trading policy, оптимальная торговая стратегия