面向金融中可扩展动作的 CNN-DRL 方法
统计金融
2024-01-15 v1 机器学习
摘要
已发表的基于多层感知机 (MLP) 的深度强化学习 (DRL) 在金融领域应用中，当动作规模增大时，难以学习环境的动态特性。如果买卖量增至一千股，MLP 智能体将无法有效适应环境。为解决此问题，我们设计了一种卷积神经网络 (CNN) 智能体，它将过去九十天的每日特征向量数据拼接起来，构成 CNN 的输入矩阵。我们的大量实验表明，基于 MLP 的智能体会遭受与初始环境设置相关的损失，而我们设计的 CNN 则保持稳定，能有效学习环境，并带来奖励的增加。
引用
@article{arxiv.2401.06179,
title = {CNN-DRL for Scalable Actions in Finance},
author = {Sina Montazeri and Akram Mirzaeinia and Haseebullah Jumakhan and Amir Mirzaeinia},
journal= {arXiv preprint arXiv:2401.06179},
year = {2024}
}
备注
10th Annual Conf. on Computational Science & Computational Intelligence