E2EAI:用于主动投资的端到端深度学习框架
本文提出利用集成演化算法和深度学习模型开发长期投资策略的新方法,通过一系列短期购买决策来增加系统投资计划(SIP)对 ETF 的决策,并在 Robinhood 交易平台上执行算法的实时交易决策,相比于传统的日常系统性投资,我们的新方法有着更高(约 1%)的回报率。
Mar, 2022
本文提出了一个具有 EIIE 拓扑结构、PVM、OSBL 方案和完全利用和显式奖励函数的基于深度强化学习的组合策略金融投资组合管理框架,该框架需要使用 CNN、RNN 或 LSTM,通过在加密货币市场上进行三次回测实验,与其他相比,实现了最好的投资回报。
Jun, 2017
该论文研究了回归模型(OLS 线性回归、Ridge 回归、随机森林和全连接神经网络)在 CMA(保守与激进)因子溢价预测和因子择时投资方面的表现。外样本 R 方显示更灵活的模型在解释未知时期因子溢价的方差方面具有更好的性能,回测证实基于更灵活模型的因子择时倾向于超过线性模型。然而,对于神经网络等灵活模型,其预测基于的最优权重往往不稳定,这可能导致高交易成本和市场影响。我们验证了根据历史最优再平衡方案将再平衡频率降低可以有助于减少交易成本。
Apr, 2024
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
本研究提出了一种基于两阶段的公式化 α 因子生成框架 AlphaForge,用于 α 因子挖掘和因子组合。该框架利用生成性 - 预测性神经网络生成因子,并结合因子的时间性能进行选择和动态调整权重,实现了在量化投资领域中超越现有基准的效果。
Jun, 2024
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