基于SHAP的金融股票交易可解释强化学习
人工智能
2022-08-19 v1
摘要
近年来，为响应用户群体对AI更高透明度和信任的需求，可解释人工智能（XAI）研究日益突出。这一点尤为关键，因为AI正被应用于金融、医疗等敏感领域，其对社会、伦理和安全的影响巨大。经过系统的评估，XAI工作主要聚焦于用于分类、决策或行动的机器学习（ML）。据我们所知，尚未有研究提出用于金融股票交易的可解释强化学习（XRL）方法。本文中，我们提出在流行的深度强化学习架构即深度Q网络（DQN）上采用SHapley Additive exPlanation（SHAP），以解释智能体在金融股票交易中给定时刻的动作。为证明方法有效性，我们在SENSEX和DJIA两个流行数据集上进行了测试并报告了结果。
引用
@article{arxiv.2208.08790,
title = {Explainable Reinforcement Learning on Financial Stock Trading using SHAP},
author = {Satyam Kumar and Mendhikar Vishal and Vadlamani Ravi},
journal= {arXiv preprint arXiv:2208.08790},
year = {2022}
}
备注
28 pages; 3 Tables; 21 Figures