AlphaStock：使用解释性深度强化关注网络的买赢家卖输家投资策略

KDDJul, 2019

AlphaStock：使用解释性深度强化关注网络的买赢家卖输家投资策略

AlphaStock: A Buying-Winners-and-Selling-Losers Investment Strategy using Interpretable Deep Reinforcement Attention Networks

PDF

Jingyuan Wang, Yang Zhang, Ke Tang, Junjie Wu, Zhang Xiong

TL;DR本文提出了一种结合解释性深度注意力网络的强化学习投资策略，将深度学习方法应用于量化交易，提高投资策略的风险收益平衡度和可解释性，并实现了资产间关系和高成长、低波动、高内在价值和被低估的股票的选择，经过对美国和中国市场的实验验证，此策略具有较高的效果和稳健性。

Abstract

Recent years have witnessed the successful marriage of finance innovations and AI techniques in various finance applications including quantitative trading (QT). Despite great research efforts devoted to leveraging deep learning (DL) methods for building better QT strategies, existing studies still face serious challenges especially from the side of finance,

quantitative trading deep learning reinforcement learning interpretable investment strategy alphastock

发现论文，激发创造

股票交易的实用深度强化学习方法

本文探讨了深度强化学习在优化股票交易策略方面的潜在性，并证明了所提出的深度强化学习方法在夏普比率和累积回报方面优于道琼斯工业平均指数和传统的最小方差组合策略。

Nov, 2018

AlphaFin: 用检索增强的股票链框架进行金融分析基准测试

通过 AlphaFin 数据集和 Stock-Chain 方法，有效地解决了金融分析中的挑战，提供了可解释性的股票趋势预测和金融问答的综合框架。

Mar, 2024

深度强化学习的投资组合管理

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

前沿投资拓展：面向投资组合优化的行业级深度强化学习

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

深度股票：基于深度学习的训练和交易方案

通过使用深度学习技术进行系统交易，该文构建了一种名为 DeepStock 的模型，能够根据过去 600 天的股票价格预测未来 D 天内股价的涨跌幅度，在韩国和美国的股市中比市场平均水平的收益分别高出 N% 和 A%。

Apr, 2023

使用 CLEAR-Trade 揭示金融 AI 的黑匣子：一种基于类别增强的关注响应方法，用于解释和可视化深度学习驱动的股市预测

本文提出了 CLEAR-Trade，一个新的金融 AI 可视化框架，用于深度学习驱动的股票市场预测，以解决深度学习方法的可解释性问题并提高其在金融行业中的应用。通过对 S＆P 500 股票指数预测的实验，结果表明，CLEAR-Trade 可以为解释深度学习驱动的金融模型做出的决策提供重要洞见，并提高其在监管流程方面的潜在应用。

Sep, 2017

资产配置：从马尔科维茨到深度强化学习

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

数字资产投资组合管理与风险评估的深度学习预测分析优化

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

好境和坏境下的代理人自主股票交易

利用强化学习方法（包括深度 Q 学习、深度 SARSA 和策略梯度方法）训练的智能代理，可以自主分析模型过去的数据，并制定分析策略进行股票交易，2021 年前收益率大概为 70% 到 90%，2021 年收益率大概在 2% 到 7% 之间，并且总体上保持了正收益。

Jun, 2023

利用 SHAP 进行可解释的金融股票交易强化学习

该研究提出在金融证券交易中利用 SHAP 方法解释深度强化学习架构的决策机制，证明其可行性并在 SENSEX 和 DJIA 数据集上验证其效果。

Aug, 2022