Znamenka Capital a a btract中的Quant Dev负责人我们引入了一种新的方法,即在我们的代理商学会在限制顺序书籍中对“量子”的“量子”事件做出反应的高频交易申请,称为量子增强学习 - 单限制订单订单更新和单个交易(如果通过Exchange提供,则可以选择单订单)。我们声称,这种学习水平的粒度使我们的代理商可以通过在线微观结构的在线建模以最高的速度和精度来找到最佳的交易策略。k eywords深钢筋学习,高频交易1。troduction在高频交易的建模中有2种主要方法 - 传统的统计方法,例如市场微观结构建模和更近期的机器学习方法,检测到“在线”的微观结构模型,而无需在限制顺序书籍数据中对各种分布进行统计模型。机器学习模型在较高的频率上获得了动态性质,因为在此类交易频率上静态统计建模更加困难。机器学习方法可以进一步分为两个主要组 - 监督预测模型和无监督的强化学习模型。监督模型试图根据某些历史记录在此类峰值之前的限制订单事件中预测短期价格峰值,并由价格历史记录的主管手动标记,并向模型呈现进一步学习的模型 - 通常在每个tick上做出3个决定 - 购买,购买,出售或保持不正确。这种预测模型的概括能力不佳,可以推广到看不见的市场数据。另一方面,无监督的强化学习模型允许代理商首先随机行动,但随后纠正自己试图最大化最终PNL来自主学习交易策略。这种方法即使在强烈的随机市场环境中也倾向于更好地概括。通常可以将RL视为一种优化方法,有许多研究论文,研究了如何将RL应用于算法交易。RL在交易中的申请可以按以下组进行分类:
主要关键词