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

本文探讨了强化学习在量化交易中的应用，并提出了一个基于强化学习的交易算法案例研究。结果表明，强化学习可以成为量化交易的强有力工具，有潜力胜过传统的交易算法。强化学习在量化交易中的应用代表了一个有前途的研究领域，未来的工作可以探索使用其他强化学习算法，加入额外的数据源，并测试其在不同的资产类别上的情况。我们的研究表明，利用强化学习在量化交易中具有潜力，并强调在这一领域继续研究和发展的重要性。通过开发更复杂、更有效的交易系统，我们可以提高金融市场的效率，为投资者产生更大的收益。

Apr, 2023

本文系统地概述了现有的可解释强化学习方法，提出了一个新的统一分类方法，并建立了三个支柱来减少解释生成和接收方之间的差距并实现解释的诚实和真实性。

Mar, 2022

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

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

本文使用分层复杂系统框架对人工智能（AI）风险进行建模，并从公共和私营领域的领域专家收集调查数据以分类 AI 影响和可能性，结果显示强大的 AI 代理情景有更多不确定性，对 AI 对齐失败和影响寻求行为的关注增加以及对多智能体环境的信心增强。

Nov, 2022

利用创新的可信人工智能（TAI）框架，通过结合 AI 的三个关键组成部分：表示空间、损失函数和优化器，以及十二个 TAI 属性，来解决决策制定中信息可信性的难题。该框架被用于实验，在科技行业的战略性投资决策中，应用给定数据集训练出的最优预测模型。研究者还展望了 TAI 研究的未来方向。

Nov, 2023

通过博弈论模型，本文挑战了强制要求完全透明的可解释人工智能 (XAI) 法规导致更大社会福利的普遍观念，并发现可解释人工智能 (XAI) 法规可能是多余的，事实上，强制要求完全透明的可解释人工智能 (XAI) 法规可能会使公司和客户陷入困境。这揭示了在最大化福利和接收可解释的人工智能输出之间存在权衡，同时也讨论了对政策制定者和公司的管理意义。

Sep, 2022

本研究基于强化学习技术的理论基础和概念，对 29 篇相关研究进行了综合分析和比较，总结出了当前的系统设计最佳实践、需要进一步研究的领域和有前途的研究机会。此外，本文还试图通过帮助研究人员遵守标准和避免偏离强化学习构造的坚实基础来促进该领域的发展。

Nov, 2022

该论文对可解释强化学习方法进行了归类和评估，并发现大多数方法是通过模仿和简化复杂模型而非设计本质简单模型来实现目的的，缺乏人文思考和跨学科研究。因此需要进行一系列的跨学科努力才能将这些生成的解释改进为非专家用户易于理解的形式，以实现可解释人工智能的最终目标。

May, 2020