Oct, 2023

逻辑导向的深度强化学习在股票交易中的应用

PDF
TL;DR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。
deep reinforcement learningsyenslogic-guided trading frameworkprogram synthesisstock market
发现论文，激发创造
  • GALOIS: 通过可推广逻辑综合增强深度强化学习

    本文提出了一个新颖的通用逻辑合成（GALOIS）框架，通过程序草图和定义新的基于草图的混合程序语言来引导逻辑合成，自动生成高层次和严格因果逻辑的白盒程序，GALOIS 在各种具有复杂逻辑的决策任务上展示了优越的性能、可推广性和知识可重复利用性。

    May, 2022

  • 使用强化学习的基于 STL 的反馈控制器综合

    研究利用时序逻辑生成奖励对深度强化学习进行实时控制，并在多项复杂连续控制基准测试中证实了新模型相较于现有模型更为合适。

    Dec, 2022

  • 深度符号强化学习

    该研究提出了一个神经和符号端到端强化学习架构，能够克服当前深度学习技术的局限性，如需要非常大的数据集工作、难以实现高级认知功能和透明性欠佳等。研究者以简单的视频游戏为例，展示了这个架构的实现原型，结果表明它能够有效地学习，并通过获得一组符号规则，可将性能提高到比传统完全神经强化学习系统更好的水平。

    Sep, 2016

  • 基于神经符号深度强化学习的安全自主驾驶政策

    本研究介绍了一种名为 DRLSL 的新的神经符号模型自由深度强化学习方法，将深度强化学习与符号逻辑知识驱动推理相结合，可以在现实环境下实现安全学习，以实现自主驾驶政策，并可在训练和测试阶段成功避免不安全的行为，且比传统的深度强化学习方法更具有一般性和更快的收敛速度。

    Jul, 2023

  • DRiLLS: 深度强化学习用于逻辑综合

    提出了一种基于强化学习的方法，自动化优化逻辑综合过程，通过训练 Actor Critic（A2C）智能体来实现无人工干预的设计优化，取得了较好的优化结果。

    Nov, 2019

  • 基于深度强化学习的战略对话管理

    本研究成功应用深度强化学习 (DRL) 训练具备谈判能力的智能策略代理程序，实验表明该程序与由人工设计的规则、随机等算法相比，获胜率提高至 53%。

    Nov, 2015

  • 基于程序综合的混合优化强化学习方法

    本论文提出一种 MORL 的框架，通过程序合成技术实现对基于神经网络的黑箱模型深度强化学习策略的改进，得到符号表示形式，使其可以被手动或自动调试，经过行为克隆和梯度下降法的改进，不断迭代直到满足所需约束，在 CartPole 问题上的实例研究表明该方法能够进行高效的策略学习改进。

    Jul, 2018

  • 基于神经符号元强化学习的交易模型

    本文探讨了在存在概念漂移的情况下，使用元强化学习来进行短期金融交易，并提出了使用逻辑程序归纳来发现价格序列中经常出现的符号模式，以提高元强化学习算法的性能。通过对真实数据的实验，我们发现元强化学习算法比传统的强化学习算法表现更好，并且通过学习符号特征可以提高其性能。

    Jan, 2023

  • 股票交易的实用深度强化学习方法

    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

  • 神经逻辑强化学习

    本文提出了一种名为神经逻辑强化学习（NLRL）的新算法，基于策略梯度方法和可微分归纳逻辑编程，通过一阶逻辑来表示强化学习中的策略，解决了深度神经网络难以解释和学习泛化能力低的问题。实验表明，该算法可以在不同的环境下归纳出解释性强且性能接近最优的策略。

    Apr, 2019