强化学习中寻找最优交易历史：针对股票市场交易的时序窗口优化
机器学习
2025-03-24 v2 人工智能
摘要
本文探讨了如何在金融深度强化学习（DRL）模型中优化时间窗口，方法是将其视为超参数并运用于 2D 卷积神经网络（CNN）。我们提出了一种新颖方法，将时间场视为超参数，考察其对模型性能在各种数据集和特征排列下的影响。我们为 CNN 策略引入了新的超参数，提出时间场可以且应作为这些模型的超参数。我们通过迭代式地扩大在深度强化学习过程中向 CNN 策略呈现的观察窗口来考察该时间场的重要性。我们的迭代过程从两周的观察期逐渐扩大到十二周，以考察不同时间窗口对模型性能的影响。这种窗口扩张在两种设置下实现：一种是将数据集中的特征按公司重新排列，以便模型在其观察窗口和 CNN 核中获得公司数据的完整视图；另一种是不按公司重新排列特征，特征按类别排列。我们的研究表明，在无特征按公司重新排列的情况下，较短的时间窗口最为有效；然而，一旦引入按公司特征重新排列，模型将利用更长的时间窗口并获得更好的性能。为考察我们发现结果的一致性，我们在包含同一三十家道琼斯指数公司但每个数据集特征不同的两个数据集上重复实验，始终观察到上述模式。结果是，该交易模型在 established Mirae Asset 设定的全球金融服务公司（如 Global X Guru）方面显著优于。
引用
@article{arxiv.2502.12537,
title = {Finding Optimal Trading History in Reinforcement Learning for Stock Market Trading},
author = {Sina Montazeri and Haseebullah Jumakhan and Amir Mirzaeinia},
journal= {arXiv preprint arXiv:2502.12537},
year = {2025}
}