基于xLSTM网络的深度强化学习自动化股票交易方法
计算工程、金融与科学
2026-04-29 v2 机器学习
交易与市场微观结构
摘要
传统长短期记忆(LSTM)网络在处理序列数据方面有效，但存在梯度消失和难以捕捉长期依赖等局限性，这可能影响其在动态和高风险环境（如股票交易）中的性能。为解决这些局限性，本研究探索了新提出的扩展长短期记忆(xLSTM)网络与深度强化学习(DRL)方法相结合用于自动化股票交易。所提出的方法在actor和critic组件中均使用xLSTM网络，能够有效处理时序数据和动态市场环境。采用近端策略优化(PPO)，凭借其平衡探索与利用的能力，来优化交易策略。使用主要科技公司金融数据在全面时间线上进行的实验表明，基于xLSTM的模型在累积回报率、平均每笔交易盈利、最大收益率、最大回撤和夏普比率等关键交易评估指标上均优于基于LSTM的方法。这些发现标志着xLSTM在增强基于DRL的股票交易系统方面的潜力。
引用
@article{arxiv.2503.09655,
title = {A Deep Reinforcement Learning Approach to Automated Stock Trading, using xLSTM Networks},
author = {Faezeh Sarlakifar and Mohammadreza Mohammadzadeh Asl and Sajjad Rezvani Khaledi and Armin Salimi-Badr},
journal= {arXiv preprint arXiv:2503.09655},
year = {2026}
}