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

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

本文介绍了强化学习在金融科技中的具体应用，通过对比其他算法表明，强化学习在各类金融决策挑战中有着优异的表现，涉及领域包括投资组合优化、信用风险缩减、Robo-advising 等。

Apr, 2023

利用强化学习方法和基于排名的预期效用来优化金融问题中的风险和回报，通过开发明确的策略梯度公式，分析了鲁棒的投资组合配置，基准优化和统计套利等问题。

Aug, 2021

提出了一系列用于对付高波动性、高代价探索、多智能体交互等具有挑战性的贸易市场的强化学习算法，并将其应用于多智能体环境。这些算法不仅考虑风险意识、扰动下的鲁棒性和低学习方差，还进行了实证博弈理论的扩展。

Jul, 2021

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

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

本文扩展了一个基于 “趣味性” 分析的可解释强化学习框架，并提出了用于评估强化学习智能体竞争力的新机制。这些工具在人机协作环境中为用户提供关于强化学习智能体能力和局限性的见解，以使用户能够做出更加明智的决策。

Nov, 2022

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

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