1. <dd id="ekrqy"><nav id="ekrqy"></nav></dd>

       登錄系統    賬號注冊      
          
        


      News Message

      強化學習在金融領域中應用的論文推薦



      強化學習在金融領域中應用的論文推薦





      Reinforcement learning in market games(arxiv 0710.0114)

      Edward W. Piotrowski, Jan Sladkowski, Anna Szczypinska

      金融市場投資就像許多的多人游戲一樣——必須與其他代理人互動以實現自己目標。其中就包括與在市場上的活動直接相關的因素,和影響人類決策及其作為投資者表現的其他方面。如果區分所有子博弈通常是超出希望和資源消耗的。在這篇論文中研究了投資者如何面對許多不同的選擇、收集信息并在不了解游戲的完整結構的情況下做出決策。論文將強化學習方法應用于市場信息理論模型 (ITMM)。嘗試區分第 i 個代理的一類博弈和可能的動作(策略)。任何代理都將整個游戲類劃分為她/他認為子類,因此對給定的子類采用相同的策略。劃分標準基于利潤和成本分析。類比類和策略通過學習過程在各個階段更新。

      Dreaming machine learning: Lipschitz extensions for reinforcement learning on financial markets(arXiv 1909.03278)

      J. M. Calabuig, H. Falciani, E. A. Sánchez-Pérez

      論文考慮了一種用于在金融市場框架內構建新的強化學習模型的準度量拓撲結構。它基于在度量空間中定義的獎勵函數的 Lipschitz 型擴展。具體來說,McShane 和 Whitney 被用于獎勵函數,該函數由給定時間投資決策產生的收益的總評估定義。將度量定義為歐幾里得距離和角度度量分量的線性組合。從時間間隔開始的所有關于系統演化的信息都被用來支持獎勵函數的擴展,并且通過添加一些人為產生的狀態來豐富這個數據集。論文中說到,這種方法的主要新穎之處在于產生了更多狀態(論文中稱之為“dreams”)以豐富學習的方式。使用代表金融市場演變的動態系統的一些已知狀態,使用現有的技術可以通過插入真實狀態和引入一些隨機變量來模擬新狀態。這些新狀態用于為學習算法提供訓練數據,該算法的目的是通過遵循典型的強化學習方案來改進投資策略。

      Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning(arXiv 1909.03278)

      自主交易代理是人工智能解決資本市場投資組合管理問題最活躍的研究領域之一。投資組合管理問題的兩個主要目標是最大化利潤和抑制風險。大多數解決這個問題的方法只考慮最大化回報。但是這篇論文提出了一種基于深度強化學習的交易代理,它在管理投資組合時,不僅考慮利潤最大化,還考慮風險約束。論文中還提出了一個新的目標策略,讓交易代理學會更偏向低風險的行動。這個新的目標策略可以通過超參數來調整最優行為的貪心程度來降低行動的風險。論文所提出的交易代理通過加密貨幣市場的數據來驗證性能,因為加密貨幣市場是測試交易代理的最佳試驗場,因為每分鐘積累的數據量巨大,市場波動性極大。作為實驗結果,在測試期間,代理實現了 1800% 的回報,并提供了現有方法中風險最小的投資策略。并且在另一個實驗表明,即使市場波動很大或訓練周期很短,交易的代理也能保持穩健的泛化性能。

      Application of deep reinforcement learning for Indian stock trading automation(arXiv 2106.16088)

      Author : Supriya Bajpai

      在股票交易中,特征提取和交易策略設計是利用機器學習技術實現長期收益的兩項重要任務。通過獲取交易信號來設計交易策略可以實現交易收益最大化。論文中將深度強化學習理論應用于印度市場的股票交易策略和投資決策。利用三個經典的深度強化學習模型Deep Q-Network、Double Deep Q-Network和Dueling Double Deep Q-Network對10個印度股票數據集進行了系統的實驗。并對模型的性能進行了評價和比較

      Robo-Advising: Enhancing Investment with Inverse Optimization and Deep ReinforcementLearning(arXiv 2105.09264)

      Author : Haoran Wang, Shi Yu

      機器學習(ML)已被金融行業視為一種強大的工具,在投資管理等各個領域都有顯著的應用。論文提出了一個全周期數據驅動的投資機器人咨詢框架,由兩個ML代理組成。第一代理是一種逆投資組合優化代理,它利用在線逆優化方法直接從投資者的歷史配置數據中推斷投資者的風險偏好和預期收益。第二個是深度強化學習(deep reinforcement learning, RL)代理,它將所推斷的預期收益序列聚合在一起,形成一個新的多周期均值-方差投資組合優化問題,這樣就可以使用深度強化學習方法進行求解。論文中的投資計劃應用于2016年4月1日至2021年2月1日的實際市場數據,表現持續優于代表總體市場最優配置的標準普爾500基準投資組合。這種優異表現可能歸因于多周期規劃(相對于單周期規劃)和數據驅動的RL方法(相對于經典估計方法)。

      Reinforcement learning in market games(arxiv 0710.0114)

      Edward W. Piotrowski, Jan Sladkowski, Anna Szczypinska

      金融市場投資就像許多的多人游戲一樣——必須與其他代理人互動以實現自己目標。其中就包括與在市場上的活動直接相關的因素,和影響人類決策及其作為投資者表現的其他方面。如果區分所有子博弈通常是超出希望和資源消耗的。在這篇論文中研究了投資者如何面對許多不同的選擇、收集信息并在不了解游戲的完整結構的情況下做出決策。論文將強化學習方法應用于市場信息理論模型 (ITMM)。嘗試區分第 i 個代理的一類博弈和可能的動作(策略)。任何代理都將整個游戲類劃分為她/他認為子類,因此對給定的子類采用相同的策略。劃分標準基于利潤和成本分析。類比類和策略通過學習過程在各個階段更新。

      Dreaming machine learning: Lipschitz extensions for reinforcement learning on financial markets(arXiv 1909.03278)

      J. M. Calabuig, H. Falciani, E. A. Sánchez-Pérez

      論文考慮了一種用于在金融市場框架內構建新的強化學習模型的準度量拓撲結構。它基于在度量空間中定義的獎勵函數的 Lipschitz 型擴展。具體來說,McShane 和 Whitney 被用于獎勵函數,該函數由給定時間投資決策產生的收益的總評估定義。將度量定義為歐幾里得距離和角度度量分量的線性組合。從時間間隔開始的所有關于系統演化的信息都被用來支持獎勵函數的擴展,并且通過添加一些人為產生的狀態來豐富這個數據集。論文中說到,這種方法的主要新穎之處在于產生了更多狀態(論文中稱之為“dreams”)以豐富學習的方式。使用代表金融市場演變的動態系統的一些已知狀態,使用現有的技術可以通過插入真實狀態和引入一些隨機變量來模擬新狀態。這些新狀態用于為學習算法提供訓練數據,該算法的目的是通過遵循典型的強化學習方案來改進投資策略。

      Automatic Financial Trading Agent for Low-risk Portfolio Management using Deep Reinforcement Learning(arXiv 1909.03278)

      自主交易代理是人工智能解決資本市場投資組合管理問題最活躍的研究領域之一。投資組合管理問題的兩個主要目標是最大化利潤和抑制風險。大多數解決這個問題的方法只考慮最大化回報。但是這篇論文提出了一種基于深度強化學習的交易代理,它在管理投資組合時,不僅考慮利潤最大化,還考慮風險約束。論文中還提出了一個新的目標策略,讓交易代理學會更偏向低風險的行動。這個新的目標策略可以通過超參數來調整最優行為的貪心程度來降低行動的風險。論文所提出的交易代理通過加密貨幣市場的數據來驗證性能,因為加密貨幣市場是測試交易代理的最佳試驗場,因為每分鐘積累的數據量巨大,市場波動性極大。作為實驗結果,在測試期間,代理實現了 1800% 的回報,并提供了現有方法中風險最小的投資策略。并且在另一個實驗表明,即使市場波動很大或訓練周期很短,交易的代理也能保持穩健的泛化性能。

      Application of deep reinforcement learning for Indian stock trading automation(arXiv 2106.16088)

      Author : Supriya Bajpai

      在股票交易中,特征提取和交易策略設計是利用機器學習技術實現長期收益的兩項重要任務。通過獲取交易信號來設計交易策略可以實現交易收益最大化。論文中將深度強化學習理論應用于印度市場的股票交易策略和投資決策。利用三個經典的深度強化學習模型Deep Q-Network、Double Deep Q-Network和Dueling Double Deep Q-Network對10個印度股票數據集進行了系統的實驗。并對模型的性能進行了評價和比較

      Robo-Advising: Enhancing Investment with Inverse Optimization and Deep ReinforcementLearning(arXiv 2105.09264)

      Author : Haoran Wang, Shi Yu

      機器學習(ML)已被金融行業視為一種強大的工具,在投資管理等各個領域都有顯著的應用。論文提出了一個全周期數據驅動的投資機器人咨詢框架,由兩個ML代理組成。第一代理是一種逆投資組合優化代理,它利用在線逆優化方法直接從投資者的歷史配置數據中推斷投資者的風險偏好和預期收益。第二個是深度強化學習(deep reinforcement learning, RL)代理,它將所推斷的預期收益序列聚合在一起,形成一個新的多周期均值-方差投資組合優化問題,這樣就可以使用深度強化學習方法進行求解。論文中的投資計劃應用于2016年4月1日至2021年2月1日的實際市場數據,表現持續優于代表總體市場最優配置的標準普爾500基準投資組合。這種優異表現可能歸因于多周期規劃(相對于單周期規劃)和數據驅動的RL方法(相對于經典估計方法)。



      Share Http URL:  http://www.tiara-e.com/get_news_message.do?new_id=1045














      請輸入評論





























      青草免费视频,97 碰,山东老熟妇乱子视频,亚洲精品美女视频_河北新闻网