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

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

本文提出了一种使用历史价格数据的基于模型的卷积神经网络，输出给定金融资产的投资组合权重。通过强化学习的方式，对加密货币交易所 0.7 年的价格数据进行了训练，最终在 30 分钟内获得了 10 倍的回报，并将其与其他投资组合策略进行了比较。该模型不仅适用于加密货币市场，还可应用于任何其他金融市场。

Dec, 2016

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

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

将深度强化学习代理与 Black-Litterman 模型相结合，能使代理学习到资产回报之间的动态相关性，并基于这种相关性实施高效的多头 / 空头策略。在由真实世界美国股票市场数据构建的投资组合上进行的实证结果表明，我们的深度强化学习代理在累积回报方面至少比各种对比投资组合策略和其他深度强化学习框架提高了 42%。在单位风险回报方面，我们的深度强化学习代理在各种对比投资组合策略和其他机器学习框架基础上明显更优。

Feb, 2024

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

本研究论文探讨了深度强化学习（DRL）在无市场偏见的资产类组合优化中的应用，将行业级方法与量化金融相结合。本文通过我们强大的框架实现了这种融合，不仅融合了先进的 DRL 算法与现代计算技术，还注重严格的统计分析、软件工程和法规合规性。据我们所知，这是第一项将金融强化学习与机器人学和数学物理领域的模拟到真实方法相结合的研究，从而为我们的框架和论证带来了独特的视角。我们的研究通过引入 AlphaOptimizerNet，一个专有的强化学习代理（和相应的库），达到高风险回报优化的目的，并且适用于各种资产类别和现实约束条件。这些初步结果突显了我们框架的实际有效性。随着金融行业越来越倾向于先进的算法解决方案，我们的研究将理论进展与现实适用性相结合，为这个技术驱动的未来提供了一个确保安全和稳健标准的模板。

Feb, 2024

在高度动荡的金融市场环境下，本研究提出了一个自适应的多智能体框架（MASA），采用了深度学习和强化学习方法作为反应性代理，平衡投资组合的回报和潜在风险。该框架中的市场观察者代理提供了有价值的市场趋势信息，以帮助多智能体反应性学习方法快速适应不断变化的市场条件。经验证实，MASA 框架在过去 10 年的 CSI 300 指数、道琼斯工业平均指数和标准普尔 500 指数上相比其他已知基于强化学习方法的方法表现出潜在优势，并为未来的研究提供了多个可能的方向。

Feb, 2024

提出了一种基于深度强化学习的鲁棒目标导向财富管理的新方法，实验结果显示其在模拟和历史市场数据上优于几个目标导向财富管理的基准。

Jul, 2023