SAMP-HDRL：基于分层深度强化学习与动量调整效用的多智能体投资组合管理分段分配
人工智能
2025-12-30 v1
摘要
非平稳市场中的投资组合优化因市场体制转换、动态相关性以及深度强化学习(DRL)策略有限的解释性而具有挑战性。我们提出了一种基于分层深度强化学习的多智能体投资组合管理分段分配与动量调整效用方法(SAMP-HDRL)。该框架首先应用动态资产分组，将市场划分为高质量子集和普通子集。上层智能体提取全局市场信号，而下层智能体在掩码约束下执行组内分配。基于效用的资金分配机制整合了风险资产和无风险资产，确保全局决策与局部决策之间的协调一致。在三种市场体制(2019--2021)下的回测表明，SAMP-HDRL 在波动和震荡条件下持续优于九个传统基线和九个 DRL 基准。与最强基线相比，我们的方法实现了至少 5% 更高的收益率、5% 更高的夏普比率、5% 更高的索提诺比率和 2% 更高的 Omega 比率，在动荡市场中观察到的增益更大。消融实验证实，上下层协调、动态聚类和资金分配对鲁棒性不可或缺。基于 SHAP 的可解释性进一步揭示了智能体间互补的“分散+集中”机制，为决策提供了透明洞察。总体而言，SAMP-HDRL 将结构性市场约束直接嵌入 DRL 流程中，在复杂的金融环境中提供了更好的适应性、鲁棒性和可解释性。
引用
@article{arxiv.2512.22895,
title = {SAMP-HDRL: Segmented Allocation with Momentum-Adjusted Utility for Multi-agent Portfolio Management via Hierarchical Deep Reinforcement Learning},
author = {Xiaotian Ren and Nuerxiati Abudurexiti and Zhengyong Jiang and Angelos Stefanidis and Hongbin Liu and Jionglong Su},
journal= {arXiv preprint arXiv:2512.22895},
year = {2025}
}