在金融市场中利用流异步特征的实时聚类配置作为在线状态描述符

我们提出了一种从高频率金融市场中流式的、多特征的、异步的数据进行在线无监督状态发现与检测的框架。在线特征相关性使用无偏、无损的傅里叶估计量计算。随后采用高速最大似然聚类算法寻找最能解释相关矩阵中结构的特征聚类配置。我们推测该特征配置是系统时间状态的一个候选描述符。利用简单的聚类配置相似性度量，我们能够根据主流特征配置枚举状态空间。所提出的状态表示消除了人为驱动的数据预处理对于状态属性指定的需要，使得学习智能体能够在流数据中发现结构、辨别系统变化、枚举其感知的状态空间并学习合适的动作选择策略。