金融决策中的强化学习：绩效、挑战与实施策略的系统综述
计算金融
2025-12-12 v1
摘要
强化学习 (RL) 是一种创新的金融决策方法，为传统方法在复杂投资问题中失败的场景提供专门解决方案。本综述分析了 2017--2025 年间 167 篇文献，聚焦于市场做市、投资组合优化和算法交易。它识别了 RL 在金融领域的关键绩效问题和挑战。总体而言，RL 在金融做市方面优于传统方法。本研究提出了统一框架以解决诸如可解释性、鲁棒性和部署可行性等常见关切。合成数据的实证证据表明，实施质量和领域知识往往超过算法复杂度。本研究强调需要可解释的 RL 架构以实现监管合规、在非平稳环境中实现更好的鲁棒性，以及标准化基准测试协议的需求。组织应关注算法复杂度，而非算法本身，更多地关注市场微观结构、监管约束和风险管理。
引用
@article{arxiv.2512.10913,
title = {Reinforcement Learning in Financial Decision Making: A Systematic Review of Performance, Challenges, and Implementation Strategies},
author = {Mohammad Rezoanul Hoque and Md Meftahul Ferdaus and M. Kabir Hassan},
journal= {arXiv preprint arXiv:2512.10913},
year = {2025}
}
备注
Paper submitted to Management Science