面向数字货币量化交易的OAC模型研究

作     者：许波 贺一峻 李祥霞 XU Bo;HE Yijun;LI Xiangxia

作者机构：广东财经大学信息学院广东广州510320 广东省智能商务工程技术研究中心广东广州510320 

出 版 物：《智能科学与技术学报》 (Chinese Journal of Intelligent Science and Technology)

年 卷 期：2024年第6卷第2期

页      面：220-231页

核心收录：

学科分类：081203[工学-计算机应用技术] 08[工学] 0835[工学-软件工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：广东省哲学社会科学规划项目(No.GD24CGL08) 广东省普通高校重点领域专项(No.2021ZDZX3006) 广州市科技计划项目(No.202201011651) 

主　　题：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 

摘      要：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。