面向金融市场的新闻感知直接强化交易

金融市场对新闻敏感度极高，因此有效地将新闻数据纳入量化交易仍是一个重要挑战。现有方法通常依赖手动设计的规则和/或手工特征。本文我们直接使用来自大语言模型的新闻情感分数，联合原始价格和volume 数据，作为强化学习的可观测输入。这些输入由循环神经网络或 Transformer 等序列模型处理，以进行端到端的交易决策。我们以加密货币市场为例进行实验，评估两种代表性的强化学习算法，即双深 Q 网络（DDQN）和群相对策略优化（GRPO）。结果表明，我们的新闻感知方法不依赖手工特征或手动设计的规则，能够优于市场基准。我们进一步强调了在此过程中时间序列信息的关键作用。