HARL-TRADE: Un marco jerárquico adaptativo de aprendizaje por refuerzo para el trading de alta frecuencia de segundo...

Área de la Ciencia:

• Finanzas Cuantitativas
• Inteligencia Artificial
• Comercio Algorítmico

Sus antecedentes:

• El trading de alta frecuencia (HFT) requiere estrategias adaptativas para condiciones de mercado volátiles.
• Los marcos discretos de sub-agentes existentes exhiben una adaptabilidad limitada debido a asignaciones rígidas de las condiciones del mercado.

Objetivo del estudio:

• Proponer un marco jerárquico novedoso con un meta-agente basado en atención para la coordinación dinámica de sub-agentes en HFT.
• Mejorar la adaptabilidad y el rendimiento en la navegación de diversos regímenes de mercado.

Principales métodos:

• Desarrollo de un marco jerárquico que incorpora un meta-agente basado en atención.
• Utilización de incrustaciones de mercado y aprendizaje por refuerzo para el ajuste óptimo del peso del sub-agente.
• Implementación de asignación dinámica de sub-agentes y mecanismos de atención de múltiples cabezas.

Principales resultados:

• El marco propuesto logró un retorno total del 42,15% y un ratio de Sharpe de 4,19 en datos históricos de HFT.
• Demostró un rendimiento superior en comparación con los puntos de referencia de última generación.
• Los estudios de ablación confirmaron la efectividad de los mecanismos de asignación dinámica y atención.

Conclusiones:

• El marco jerárquico basado en atención ofrece una adaptabilidad y un rendimiento superiores en el trading de alta frecuencia.
• La coordinación dinámica de sub-agentes a través de un meta-agente aborda eficazmente la volatilidad y las transiciones del mercado.