本文提出了一个具有 EIIE 拓扑结构、PVM、OSBL 方案和完全利用和显式奖励函数的基于深度强化学习的组合策略金融投资组合管理框架，该框架需要使用 CNN、RNN 或 LSTM，通过在加密货币市场上进行三次回测实验，与其他相比，实现了最好的投资回报。

Jun, 2017

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

金融投资组合管理、深度学习方法、自动化金融交易、情感信息和训练问题的研究论文摘要。

Jul, 2023

提出了一种以权重分配为中心的投资组合管理器，可以在后定格式市场上执行金融交易，并超过传统投资组合管理器的风险调整收益。

May, 2024

提出了一种基于神经网络的算法来利用加密货币衍生资产，以构建一个包含负相关资产对的投资组合，并通过训练深度神经网络来最大化夏普比率，以实现接近一个最小方差策略的资产配置策略，经过 19 个月的实验证明，该算法可在不同市场情况中获利。

Oct, 2023

在这篇论文中，作者介绍了 DQN 算法在资产管理组合中的创新和直接应用，并且表明 DRL 算法在投资组合管理中的有效性，同时提出了通过添加约束条件来改善结果的建议。

Feb, 2024

近年来，深度强化学习在在线组合选择中的应用得到了广泛的关注。我们提出了一个新的培训和评估过程以评估古典深度强化学习算法在组合管理中的表现，发现大多数深度强化学习算法不够健壮，策略泛化能力差，在回归测试期间很快退化。

Jun, 2023

本研究提出了一种基于深度强化学习的成本敏感投资组合选择方法，使用两个投资组合策略网络提取价格序列模式和资产相关性，通过新的成本敏感回报函数约束成本并实现最大的累积回报，经实际数据验证，该方法具有良好的获利能力、成本敏感性和代表能力。

Mar, 2020

本文提出了一种基于元学习和深度增强学习的投资组合管理方法 MetaTrader，通过模仿不同的专家策略来获取适应不同市场的交易策略，并学习元策略来决定最适合的策略。实证结果表明，MetaTrader 在平衡利润和风险方面显著优于现有的基线模型，并通过彻底的消融研究验证了该方法组成部分的有效性。

Sep, 2022

该研究提出了一种用于处理加密货币交易中 backtest 过度拟合的实用方法，将检测 backtest 过度拟合看作一种假设检验，使用深度强化学习智能体来训练，估计过度拟合的概率并且拒绝过度拟合的智能体，最后，通过在包括市场崩溃的测试期间（2022 年 5 月 1 日至 2022 年 6 月 27 日）对 10 种加密货币进行测试，该方法展现了比其他方法更好的市场表现和可行性。

Sep, 2022