CAD:基于聚类与深度强化学习的多周期投资组合管理策略
投资组合管理
2023-10-03 v1
摘要
在本文中,我们提出了一种新颖的交易策略,将强化学习方法与聚类技术相结合,用于多周期交易中的投资组合管理。具体而言,我们利用聚类方法根据股票的财务指标将其分类为不同的簇。随后,我们利用 Asynchronous Advantage Actor-Critic 算法确定每个簇内股票的交易动作。最后,我们采用 DDPG 算法生成投资组合权重向量,该向量根据不同簇的交易动作决定买入、卖出或持有股票的数量。据我们所知,我们的方法是首个在多周期交易背景下将聚类方法与强化学习方法结合用于投资组合管理的方法。我们使用在来自上海证券交易所和 National Association of Securities Deal Automated Quotations 源的四个数据集(包含 800 只股票)上进行的一系列回测来评估我们提出的策略。我们的结果表明,我们的方法在各种指标上优于传统的投资组合管理技术,如 Robust Median Reversion 策略、Passive Aggressive Median Reversion 策略以及若干机器学习方法。在我们的回测实验中,我们提出的策略在 360 个交易周期内对 800 只股票取得了 151% 的平均收益,而同期同股票其他技术取得的最高收益为 124%。
引用
@article{arxiv.2310.01319,
title = {CAD: Clustering And Deep Reinforcement Learning Based Multi-Period Portfolio Management Strategy},
author = {Zhengyong Jiang and Jeyan Thiayagalingam and Jionglong Su and Jinjun Liang},
journal= {arXiv preprint arXiv:2310.01319},
year = {2023}
}