本文介绍了一种名为 FinRL 的开源框架，它利用深度强化学习算法实现智能交易，精细调整了当前最先进的 DRL 算法和通用奖励函数，并提供了多个精细化的教程，方便用户进行自定义操作。

Nov, 2021

采用深度强化学习算法设计交易策略，测试其在 50 种流动性最强的期货合约中的表现，并对商品、股票指数、固定收益和外汇市场等不同资产类别进行研究，证明该算法可以超越传统的时间序列动量策略模型，在重交易成本情况下实现正收益，且能够跟随市场趋势不改变仓位，并在调整期间进行缩减或持有。

Nov, 2019

应用深度学习和强化学习结合，利用订单流量失衡进行多时间段预测收益的研究，为五种金融工具提供交易信号，并通过回测模拟和前期测试在零售交易平台验证了模型的潜力，但还需要进一步修改以应对零售交易成本、滑点和点差的波动。

Oct, 2023

该研究论文探讨了将强化学习应用于统计套利策略中的高频交易场景，通过利用强化学习的自适应学习能力，发现其可以揭示传统方法可能忽略的模式并设计交易策略，同时解决在金融市场中这一非稳态环境中应用强化学习所面临的挑战，并研究缓解相关风险的方法。通过广泛的模拟和回测，研究结果表明，强化学习不仅提升了交易策略的适应性，而且显示了改善盈利指标和风险调整回报的潜力，从而将其定位为下一代基于高频交易的统计套利的关键工具，为该领域的研究人员和从业者提供了洞察。

Sep, 2023

这项研究开创性地应用了多智能体强化学习（MA RL）框架与最先进的异步优势演员 - 评论家（A3C）算法，结果表明此方法可以更广泛和更快地探索不同的货币对，显著提高交易收益。此外，代理可以在较短时间内学习到更有利可图的交易策略。

May, 2024

本研究介绍了一个名为 FinRL 的 DRL 库，该库帮助初学者接触量化金融，开发自己的股票交易策略，并包括各种股票市场的模拟环境和交易代理培训，帮助用户轻松进行回测分析和比较。FinRL 库以其完整性，易于使用的教程和可重现性而受到好评，使用者可以使用深度强化学习和神经网络来训练交易代理，并包括各种重要的交易限制条件。

Nov, 2020

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

通过在同一股票市场进行交易，该研究展示了利用混合深度神经网络作为策略的对抗智能代理能够对深度强化学习交易代理进行攻击，并且能够显著降低其奖励值，从而大幅减少基线系统、集成方法、以及工业合作伙伴开发的自动交易软件的潜在利润。

Sep, 2023

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

本文探讨了在存在概念漂移的情况下，使用元强化学习来进行短期金融交易，并提出了使用逻辑程序归纳来发现价格序列中经常出现的符号模式，以提高元强化学习算法的性能。通过对真实数据的实验，我们发现元强化学习算法比传统的强化学习算法表现更好，并且通过学习符号特征可以提高其性能。

Jan, 2023