基于动态嵌入的强化学习投资组合配置
投资组合管理
2025-01-31 v1 机器学习
摘要
我们构建了一个投资组合配置框架，利用深度学习技术来应对高维、非平稳和信噪比低的市场信息所带来的挑战。我们的方法包括一种动态嵌入方法，将非平稳的高维状态空间降低为更低维的表示。我们设计了一个集成生成式自编码器和在线元学习的强化学习（RL）框架，以动态嵌入市场信息，使RL代理能够专注于投资组合配置决策中最具影响力的状态空间部分。基于前500家美国股票的实证分析表明，我们的框架在市场压力期间超过了常见的投资组合基准和基于机器学习的预测后优化（PTO）方法。传统因子模型无法完全解释这种优越性能。该框架的时间序列能力减少了在波动性大时期的市场敞口。消融研究确认了这种性能在各种强化学习算法中的鲁棒性。此外，嵌入和元学习技术有效地管理了高维、噪声较大且非平稳的金融数据的复杂性，提高了投资组合的绩效和风险管理。
引用
@article{arxiv.2501.17992,
title = {Reinforcement-Learning Portfolio Allocation with Dynamic Embedding of Market Information},
author = {Jinghai He and Cheng Hua and Chunyang Zhou and Zeyu Zheng},
journal= {arXiv preprint arXiv:2501.17992},
year = {2025}
}