Oct, 2023

使用神经网络的加密货币投资组合优化

PDF
TL;DR提出了一种基于神经网络的算法来利用加密货币衍生资产，以构建一个包含负相关资产对的投资组合，并通过训练深度神经网络来最大化夏普比率，以实现接近一个最小方差策略的资产配置策略，经过 19 个月的实验证明，该算法可在不同市场情况中获利。
发现论文，激发创造
  • 利用深度强化学习进行加密货币投资组合管理

    本文提出了一种使用历史价格数据的基于模型的卷积神经网络，输出给定金融资产的投资组合权重。通过强化学习的方式，对加密货币交易所 0.7 年的价格数据进行了训练，最终在 30 分钟内获得了 10 倍的回报，并将其与其他投资组合策略进行了比较。该模型不仅适用于加密货币市场，还可应用于任何其他金融市场。

    Dec, 2016

  • 数字资产投资组合管理与风险评估的深度学习预测分析优化

    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

  • 深度强化学习的投资组合管理

    提出了一种以权重分配为中心的投资组合管理器，可以在后定格式市场上执行金融交易，并超过传统投资组合管理器的风险调整收益。

    May, 2024

  • 金融组合管理问题的深度强化学习框架

    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

  • 深度强化学习实现成本敏感的投资组合选择

    本研究提出了一种基于深度强化学习的成本敏感投资组合选择方法，使用两个投资组合策略网络提取价格序列模式和资产相关性，通过新的成本敏感回报函数约束成本并实现最大的累积回报，经实际数据验证，该方法具有良好的获利能力、成本敏感性和代表能力。

    Mar, 2020

  • 神经网络能够检测无模型静态套利策略

    本文论证了神经网络可以从理论上和数值上检测到模型无关的静态套利机会，从而适用于高交易证券的金融市场，并确保几乎立即执行相应的交易策略。

    Jun, 2023

  • 利用深度学习和在线源情绪进行金融投资组合管理

    金融投资组合管理、深度学习方法、自动化金融交易、情感信息和训练问题的研究论文摘要。

    Jul, 2023

  • 投资组合优化：比较研究

    本文通过比较三种投资组合设计方法 (均值 - 方差组合，分层风险平价组合和自编码器组合)，应用于国家证券交易所上列出的十个主题行业的股票历史价格，并在测试数据上进行了表现测试，结果发现 MVP 组合在风险调整回报上表现最佳，而自编码器组合在年收益率上表现最好

    Jul, 2023

  • 深度对冲

    本论文提出了一个通过深度强化学习方法，对具有市场摩擦因素（如交易成本、市场反应、流动性约束或风险限制）的衍生产品组合进行避险的框架，在非线性收益结构（如凸风险度量）中应用标准强化学习方法的详细讨论。

    Feb, 2018

  • 使用基于订单流的深度卷积神经网络进行短期波动率预测

    本研究使用卷积神经网络将市场信息编码成图像，以预测加密货币短期实现波动性。实验结果表明，该方法有潜力更好地捕捉市场动态和进行更好的波动性预测。

    Apr, 2023