噪声周期环境中的风险寻求与风险规避投资

我们在一个人工投资场景中研究各种代理策略的表现。代理配备有预算$x(t)$，并在每个时间步投资其预算的特定分数$q(t)$。投资回报率 (RoI) $r(t)$的特征是具有不同类型和水平噪声的周期函数。风险规避代理选择的分数$q(t)$与预期正 RoI 成正比，而风险寻求代理若预测 RoI 为正，则始终选择最大值$q_{max}$（“全押红色”）。除了这些不同的策略外，代理还具有不同的预测未来$r(t)$的能力，这取决于它们的内部复杂性。在此，我们将使用技术分析（如移动最小二乘法）的“零智能”代理与使用强化学习或遗传算法来预测$r(t)$的代理进行比较。代理的表现通过若干时间步后的平均预算增长来衡量。我们展示了大量计算机模拟的结果，表明在我们给定的人工环境中：(i) 风险寻求策略优于风险规避策略；(ii) 遗传算法能够自行找到这一最优策略，从而优于其他所考虑的预测方法。