使用线性规划和启发式搜索方法来优化组合调整的决策,提出的模型在以成本为基础的策略比较中展示了改进,可在其他综合组合管理所需的现实场景中轻松扩展。
Nov, 2023
本研究探讨了在不同市场趋势下,基于现代投资组合理论和深度强化学习的优化技术在资产配置中的效果和可靠性,并提供了代码实现。
Jul, 2022
通过在线学习框架将原模型重新设计为一种动态策略,以在统计假设下不受限制地接近真实总结的组合的经验效用、夏普比率和增长率。
Jun, 2024
离线算法选择,算法组合,固定预算设置,函数评估,优化问题。
May, 2024
本文通过采用在线多臂赌博策略,采用多种参数化的收购功能组合(其中最佳的是 GP-Hedge),优于使用单一收购方法,提高了排序算法的性能,并提供了算法性能的理论界限。
Sep, 2010
本文探讨了基于组合算法选择的一个有效算法配置过程,分析了三种情况可能导致多样性的算法集合与性能预测之间的差距,提出了一种 end-to-end 的学习理论分析集合组合与算法选择的方法,并通过实验证明个体算法选择器的复杂性和算法性能的学习理论复杂性将会对方案的性能产生重要影响。
Dec, 2020
本文提出了一种基于强化学习的投资组合优化系统,使用 Sharpe 比率和 ESG 评分作为效用函数,使用遗传算法进行参数优化,超越了现有的强化学习方法。
Jun, 2022
本文通过比较三种投资组合设计方法 (均值 - 方差组合,分层风险平价组合和自编码器组合),应用于国家证券交易所上列出的十个主题行业的股票历史价格,并在测试数据上进行了表现测试,结果发现 MVP 组合在风险调整回报上表现最佳,而自编码器组合在年收益率上表现最好
Jul, 2023
使用深层强化学习的自主交易代理设计动态投资组合优化模型,通过模型无关机器学习模块、生成式对抗数据增强模块以及行为克隆模块实现训练,对历史金融市场数据进行模拟交易,证明该模型相较于先前的交易策略是稳健的、盈利的和风险敏感的。
Jan, 2019
为了分配适当的权重给组成资产的优选投资组合,从历史股价数据中基于三种方法设计和评估投资组合,比较每个部门的投资组合收益以识别出业绩较高的投资组合。
Sep, 2023