基于DRQN与情绪指标ARBR的强化学习股票交易改进方法
统计金融
2021-12-01 v1
摘要
随着人工智能在金融领域的应用，量化交易被认为具有盈利性。基于此，针对现有量化交易模型忽略非理性投资者行为对市场的影响，在中国股票市场非有效的环境下应用效果较差的问题，本文提出一种改进的深度循环DRQN-ARBR模型。该模型通过将原模型中的全连接层改为LSTM层，并使用情绪指标ARBR构建交易策略，解决了传统DQN模型经验数据存储记忆有限以及可观测马尔可夫性质对性能影响的问题。同时，本文也改进了原模型股票状态较少的不足，选取更多技术指标作为模型的输入值。实验结果表明，本文提出的DRQN-ARBR算法能显著提升强化学习在股票交易中的性能。
引用
@article{arxiv.2111.15356,
title = {Improved Method of Stock Trading under Reinforcement Learning Based on DRQN and Sentiment Indicators ARBR},
author = {Peng Zhou and Jingling Tang},
journal= {arXiv preprint arXiv:2111.15356},
year = {2021}
}