基于强化学习的动态投资组合优化中投资约束与非平稳性的因果推断

在本研究中，我们利用强化学习技术开发了动态资产配置投资策略。首先，我们解决了将金融时间序列数据的非平稳性纳入强化学习算法这一关键问题，这是强化学习在投资策略应用中的一项重要实现。我们的研究结果强调了在环境设置中引入体制转换等特定变量以提高预测精度的重要性。此外，强化学习在投资策略中的应用具有灵活设定优化问题的显著优势。这使得投资者面临的实际约束能够整合进算法中，从而实现高效优化。我们的研究将投资策略制定条件分为三大类，包括绩效衡量指标、投资组合管理规则以及其他约束。我们评估了在强化学习框架中将这些条件纳入环境与奖励的影响，并考察了它们如何影响投资行为。