智能系统性投资代理:深度学习和进化策略的组合
我们提出了情感分析和深度强化学习集成算法用于股票交易,并设计了一种能够根据当前市场情绪动态改变其参与的交易代理的策略。我们展示了我们的方法导致了一个盈利的、稳健的和风险最小化的策略,其表现优于传统集成策略以及单一代理算法和市场指标。此外,我们设计的算法考虑了简洁性和效率,并且我们假设将我们的方法从历史评估向实时交易的转换应该相对简单。
Feb, 2024
我们提出了一种集成方法,以提高在高度随机的日内加密货币组合交易环境中通过深度强化学习算法训练的交易策略的泛化性能。我们采用了一种模型选择方法,对多个验证期进行评估,并提出了一种新颖的混合分布策略,以有效地集成所选模型。我们提供了关于细粒度测试期间样本外表现的分布视图,以证明策略在不断变化的市场条件下的稳健性,并定期重新训练模型以应对金融数据的非平稳性。与深度强化学习策略和被动投资策略的基准相比,我们提出的集成方法改善了样本外表现。
Jul, 2023
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
本文提出了一种名为 SYENS 的新型逻辑引导交易框架,它通过程序合成和层次化交易策略在动态股市中稳定地行为。实验证明,SYENS 在现金交易和保证金交易设置下,在累积收益和最大回撤方面都明显优于基准。
Oct, 2023
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
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
提出了基于多智能体强化学习模型的股票投资策略生成系统 (MAPS),在实验中,MAPS 的表现表明其具有更好的 Sharpe 比率,并且加入更多的智能体可以降低风险并获得更多的收益。
Jul, 2020
该论文提出了一种新颖的方法来对冒险资产组合进行对冲,当金融市场受到金融动荡的影响时。我们引入了一种完全新颖的方法,通过基于这些资产价格的集合算法投资策略(AIS)的层面而不是单个资产的层面,来进行多样化活动。我们采用四种不同的理论模型(LSTM - 长短期记忆,ARIMA-GARCH - 自回归移动平均 - 广义自回归条件异方差,动量和逆势)来生成价格预测,然后将其用于产生单个和复杂的 AIS 投资信号。通过这种方式,我们能够验证由各种资产(能源商品、贵金属、加密货币或软商品)组成的不同类型的投资策略在对冲组成的用于股票指数(标普 500 指数)的集合 AIS 中的多样化潜力。本研究使用的实证数据涵盖了 2004 年至 2022 年的时期。我们的主要结论是基于 LSTM 的策略优于其他模型,并且对于为标普 500 指数构建的 AIS 来说,最好的多样化方法是为比特币构建的 AIS。最后,我们对 LSTM 模型在更高频率的数据(1 小时)进行了测试。我们得出结论,它的表现优于使用日常数据获得的结果。
Sep, 2023
本研究首次提出了一种覆盖因子选择、因子组合、股票选择和投资组合构建等环节的端到端深度学习框架,通过实验证明,这种框架在积极投资中具有有效性。
May, 2023