通过盈利导向损失函数直接学习股票交易策略
机器学习
2025-07-29 v1 神经与进化计算
摘要
股票交易始终是一个充满挑战的任务，因为股市具有高度波动性。在这种条件下，制定切实的交易决策以实现盈利尤为困难。为此，我们提出了四个新颖的损失函数，以驱动对股票组合的决策。这些函数考虑了相对于买入或空头相应股票的潜在盈利或亏损，使任何人工神经网络都能直接学习有效的交易策略。尽管股市波动性高，针对这些损失函数训练时间序列模型（如 Transformer）仍能生成在由 50 只标普 500 公司股票构成的组合上实现显著盈利的交易策略，相较于基准强化学习技术和买入持有基准方法表现更佳。以 2021、2022 和 2023 三年作为测试期，采用我们最佳损失函数训练的 Crossformer 模型表现最为一致，分别实现 51.42%、51.04% 和 48.62% 的收益。相比之下，最佳表现的前沿强化学习方法（PPO 和 DDPG）仅为相同时期的约 41%、2.81% 和 41.58%。代码已公开于 https://anonymous.4open.science/r/bandit-stock-trading-58C8/README.md。
引用
@article{arxiv.2507.19639,
title = {Directly Learning Stock Trading Strategies Through Profit Guided Loss Functions},
author = {Devroop Kar and Zimeng Lyu and Sheeraja Rajakrishnan and Hao Zhang and Alex Ororbia and Travis Desell and Daniel Krutz},
journal= {arXiv preprint arXiv:2507.19639},
year = {2025}
}
备注
17 pages, 4 figures, Submitted to Neural Information Processing Systems 2025