【推荐】InfoScience20具有深度强化学习方法的自适应股票交易策略info股票资讯

Adaptive stock trading strategies with deep reinforcement learning methods

https://www.sciencedirect.com/science/article/abs/pii/S0020025520304692

股票市场日益复杂和动态特性是金融业面临的主要挑战，其中由经验丰富的金融从业者设计的僵化交易策略无法在所有市场条件下取得令人满意的表现。为了应对这一挑战，提出了具有深度强化学习方法的自适应股票交易策略。针对股票市场数据的时间序列性质，应用门控循环单元（GRU）来提取信息性金融特征，这些特征可以代表股票市场的内在特征，用于自适应交易决策。此外，通过状态和动作空间的定制设计，提出了两种具有强化学习方法的交易策略，即 GDQN（门控深度 Q 学习交易策略）和 GDPG（门控确定性策略梯度交易策略）。为了验证 GDQN 和 GDPG 的稳健性和有效性，它们在来自不同国家的趋势和波动的股票市场中进行了测试。实验结果表明，在波动的股市中，所提出的 GDQN 和 GDPG 不仅优于海龟交易策略，而且比最先进的直接强化学习方法 DRL 交易策略获得更稳定的回报。就 GDQN 和 GDPG 的比较而言，实验结果表明，在不断发展的股票市场中，具有 actor-critic 框架的 GDPG 比具有仅 critic 框架的 GDQN 更稳定。为了验证 GDQN 和 GDPG 的稳健性和有效性，它们在来自不同国家的趋势和波动的股票市场中进行了测试。实验结果表明，在波动的股市中，所提出的 GDQN 和 GDPG 不仅优于海龟交易策略，而且比最先进的直接强化学习方法 DRL 交易策略获得更稳定的回报。

对于股票市场，市场数据是复杂的、嘈杂的、非线性的和非平稳的。在面对复杂的市场环境时，代理商通常无法实现最优策略。为了解决这个问题，我们提出的方法中采用了深度神经网络。先前的研究表明，深度神经网络可以有效地集成到强化学习方法中 [17]、[13]。这是因为深度神经网络 [33] 可以从不同类别的原始数据中提取抽象和复杂的特征。深度学习在图像处理[9]、[40]、语音识别[1]和自然语言处理[12]、[37]等许多领域取得了显着的成功。同时，深度学习已被证明是有效提取市场特征的有力工具[2]。所以，

我们工作的主要贡献可以总结如下：

1.GRU（门控循环单元）被提议从原始财务数据和技术指标中提取信息特征，以提高表示股票市场状况的准确性和稳健性。

2.为提议的 GDQN 和 GDPG 交易策略设计了一种具有风险调整率的新型奖励函数，以确保即使在动荡的股市中也能获得稳定的回报。

3.通过对状态和动作空间的量身设计，提出了两种自适应股票交易策略GDQN和GDPG用于量化股票交易，其性能优于海龟交易策略，并获得比DRL交易策略更稳定的回报，这是最先进的采用强化学习方法的交易策略。

光学测量仪

测量光学仪器

ogp影像仪