动态组合优化的混合 LSTM 与 PPO 网络

Jun Kevin; Pujianto Yugopuspito

动态组合优化的混合 LSTM 与 PPO 网络

机器学习 2025-11-25 v1 人工智能计算工程、金融与科学投资组合管理

作者: Jun Kevin , Pujianto Yugopuspito

摘要

本文提出一种混合框架，用于组合优化，将长短期记忆（LSTM）预测与近端策略优化（PPO）强化学习策略融合。该系统利用深度循环网络的预测能力捕捉时序依赖性，同时PPO智能体在连续动作空间中自适应细化组合配置，使系统能够预见趋势同时动态应对市场变化。我们使用覆盖美国和印尼股票、美国国债及主要加密货币的多资产数据集，从2018年1月至2024年12月，对模型进行评估，基准包括等权、指数式及单模型变体（LSTM-only和PPO-only）。该框架的绩效以年化收益、波动率、夏普比率和最大回撤指标进行基准测试，这些指标均已调整后考虑交易成本。结果表明，混合架构在非均匀市场情景下实现更高收益和更强韧性，表明其作为一种稳健、基于AI的动态组合优化框架具有巨大的潜力。

关键词

组合优化 LSTM PPO 强化学习金融预测

引用

@article{arxiv.2511.17963,
  title  = {Hybrid LSTM and PPO Networks for Dynamic Portfolio Optimization},
  author = {Jun Kevin and Pujianto Yugopuspito},
  journal= {arXiv preprint arXiv:2511.17963},
  year   = {2025}
}

备注

12 pages, 8 figures, 2 tables, accepted at 2025 8th Artificial Intelligence and Cloud Computing Conference

动态组合优化的混合 LSTM 与 PPO 网络

摘要

关键词

引用

备注

相关论文