AAMDRL：基于深度强化学习的增强型资产管理
机器学习
2020-10-19 v1 人工智能
数理金融
摘要
一个智能体能否在具有序列性、非平稳且非齐次观测的噪声自适应环境中高效学习？我们通过交易机器人说明了深度强化学习（DRL）如何应对这一挑战。我们的贡献有三方面：（i）在 DRL 中使用上下文信息（也称为增强状态）；（ii）观测与动作之间存在单期滞后，这对资产管理环境更为现实；（iii）实现了一种称为 walk forward analysis 的新的重复训练测试方法，其精神类似于时间序列的交叉验证。尽管我们的实验针对交易机器人，但它可以轻易地迁移到其他在具有状态切换和噪声数据的序列环境中运行的机器人环境。我们针对一个寻求对冲策略最佳投资组合的增强型资产管理者的实验表明，AAMDRL 取得了更优的收益和更低的风险。
引用
@article{arxiv.2010.08497,
title = {AAMDRL: Augmented Asset Management with Deep Reinforcement Learning},
author = {Eric Benhamou and David Saltiel and Sandrine Ungari and Abhishek Mukhopadhyay and Jamal Atif},
journal= {arXiv preprint arXiv:2010.08497},
year = {2020}
}
备注
9 pages, 7 figures. arXiv admin note: substantial text overlap with arXiv:2009.14136