金融时间序列的对抗式深度强化学习
机器学习
2025-04-17 v1
摘要
强化学习（RL）已成为解决动态环境中决策问题的强大范式。本研究探索了将Double DQN（DDQN）和Dueling Network架构应用于金融交易任务，使用历史SP500指数数据。我们的关注点是训练能够优化交易策略的智能体，同时考虑实际约束，如交易成本。该研究评估了在有无佣金情景下的模型性能，突出了成本敏感环境对奖励动力学的影响。尽管存在计算限制和金融时间序列数据固有的复杂性，智能体仍成功学习了有意义的交易策略。研究结果确认，即使在数据有限的情况下，RL智能体也能通过利用DDQN和Dueling Networks等先进架构超越随机策略。然而，挑战仍然存在，特别是由于数据来源的复杂性导致政策次优。
引用
@article{arxiv.2504.11601,
title = {Dueling Deep Reinforcement Learning for Financial Time Series},
author = {Bruno Giorgio},
journal= {arXiv preprint arXiv:2504.11601},
year = {2025}
}