将股市投资者建模为强化学习智能体[修正]
计算工程、金融与科学
2016-09-21 v1 机器学习
摘要
不确定和风险环境中的决策是一个突出的研究领域。标准经济理论无法完全解释人类行为，而一个潜在有前景的替代方案可能在于强化学习（RL）理论的方向。我们分析了从金融市场在线游戏中提取的46名参与者的数据，并测试强化学习（Q-Learning）能否利用基于金融建模的风险度量来捕捉这些参与者的行为。此外，我们测试了早期关于参与者是“朴素”（短视）的假设。我们的结果表明，一个仅考虑任务中卖出组件的简单强化学习模型捕捉了部分参与者的决策过程，但这不足以对总体得出任何结论。我们还发现，当使用完整RL模型与仅重视即时奖励的短视版本相比时，参与者的拟合并没有显著改善。这表明，参与者如果采用强化学习方法，也是以朴素的方式进行的。
引用
@article{arxiv.1609.06086,
title = {Modelling Stock-market Investors as Reinforcement Learning Agents [Correction]},
author = {Alvin Pastore and Umberto Esposito and Eleni Vasilaki},
journal= {arXiv preprint arXiv:1609.06086},
year = {2016}
}
备注
8 pages (including bibliography and appendix), 5 figures (2 in main body, 3 in appendix). IEEE EAIS 2015 Conference paper erratum