面向数字货币量化交易的OAC模型研究

Abstract

针对数字货币量化交易中存在的问题，即大量且复杂因子以及因子状态空间维度较高，导致交易模型制定策略的准确性和风险控制能力难以兼顾，提出了一种改进的OAC模型——OAC_LSTM_ATT。该模型采用了LSTM和多头注意力机制来优化OAC的网络结构，从而提高OAC对时间序列数据的建模能力和泛化能力。通过这种融合，智能体在量化交易环境中可以更加灵活和准确地做出交易决策，进一步提高交易策略的质量和效果。实验结果显示，在比特币市场中，累计收益率达到了16.36%，最大回撤率为9.08%，夏普比为0.014，波动率为13.09%。在以太坊市场中，对应的指标为16.30%、8.56%、0.014和13.42%。与PPO、LSTM_PPO和A2C等模型相比，OAC_LSTM_ATT在有效性和稳定性方面具有一定优势，为量化交易策略制定提供了有价值的参考。

Keywords

• 量化交易
• 深度强化学习
• 注意力机制长
• 短期记忆网络
• 数字货币