基于分类器模型的集成强化学习：增强交易策略的风险-收益权衡

本文提出了一项关于在金融交易策略中使用集成强化学习（RL）模型的综合研究，利用分类器模型来提升性能。通过将 A2C、PPO 和 SAC 等 RL 算法与支持向量机（SVM）、决策树和逻辑回归等传统分类器相结合，我们研究了如何集成不同的分类器组以改善风险-收益权衡。该研究评估了各种集成方法的有效性，并在关键金融指标上将其与单个 RL 模型进行了比较，这些指标包括累计收益、夏普比率（SR）、卡玛比率和最大回撤（MDD）。我们的结果表明，集成方法在风险调整收益方面始终优于基础模型，能够更好地管理回撤并保持整体稳定性。然而，我们发现集成性能对方差阈值 {\tau} 的选择很敏感，强调了动态调整 {\tau} 以实现最佳性能的重要性。本研究强调了将 RL 与分类器相结合以实现自适应决策的价值，对金融交易、机器人技术及其他动态环境具有启示意义。