面向数字货币量化交易的OAC模型研究

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%...

Full description

Bibliographic Details

Published in:	智能科学与技术学报
Main Author:	许波, 贺一峻, 李祥霞
Format:	Article
Language:	Chinese
Published:	POSTS&TELECOM PRESS Co., LTD 2024-06-01
Subjects:	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
Online Access:	https://www.infocomm-journal.com/znkx/CN/10.11959/j.issn.2096-6652.202402