在这项研究中，我们提出了一种用于算法交易的强化学习（RL）算法，该算法基于来自学习预测模型的信号并解决了在薄交易金融市场和不同资产市场中交易策略必须考虑更难改变的持仓的长期影响这些挑战。我们在马来西亚证券交易所 20 多年的股票数据上测试了我们的算法。

Jul, 2023

采用深度强化学习算法设计交易策略，测试其在 50 种流动性最强的期货合约中的表现，并对商品、股票指数、固定收益和外汇市场等不同资产类别进行研究，证明该算法可以超越传统的时间序列动量策略模型，在重交易成本情况下实现正收益，且能够跟随市场趋势不改变仓位，并在调整期间进行缩减或持有。

Nov, 2019

该研究论文探讨了将强化学习应用于统计套利策略中的高频交易场景，通过利用强化学习的自适应学习能力，发现其可以揭示传统方法可能忽略的模式并设计交易策略，同时解决在金融市场中这一非稳态环境中应用强化学习所面临的挑战，并研究缓解相关风险的方法。通过广泛的模拟和回测，研究结果表明，强化学习不仅提升了交易策略的适应性，而且显示了改善盈利指标和风险调整回报的潜力，从而将其定位为下一代基于高频交易的统计套利的关键工具，为该领域的研究人员和从业者提供了洞察。

Sep, 2023

这项研究开创性地应用了多智能体强化学习（MA RL）框架与最先进的异步优势演员 - 评论家（A3C）算法，结果表明此方法可以更广泛和更快地探索不同的货币对，显著提高交易收益。此外，代理可以在较短时间内学习到更有利可图的交易策略。

May, 2024

优化交易执行是以最低交易成本在给定时间内出售（或购买）一定数量的资产。本研究主要针对优化交易执行中的过拟合问题进行全面研究，提出了离线强化学习模型（ORDC）来模拟最优交易执行，并通过学习紧凑的上下文表示来有效缓解过拟合问题。实验结果表明，该方法在历史限价挂单簿数据模拟器上取得了更好的性能。

May, 2023

利用先进的深度学习方法，研究预测在纳斯达克交易所上交易的异构股票的高频限价挂单簿中价位变动的可预测性。通过释放开源代码 'LOBFrame'，高效处理大规模的限价挂单簿数据，定量评估最新的深度学习模型的预测能力。研究结果有两个方面：我们证明股票的微观结构特征影响深度学习方法的有效性，而高预测能力并不一定对应可执行的交易信号。我们认为，传统的机器学习指标未能充分评估限价挂单簿上的预测质量。作为替代，我们提出了一种创新的操作框架，通过关注准确预测完整交易的概率来评估预测的实用性。这项工作为学术界和实践者们提供了一个应用深度学习技术、了解其范围和限制以及有效利用限价挂单簿的新统计特性的途径，从而做出明智而稳健的决策。

Mar, 2024

深度强化学习方法在算法性商品交易中的有效性进行了研究，提出了一种新的离散化方案，通过优化交易成本和风险敏感的交易代理来提高 DRL 模型的性能，并且该模型在天然气期货交易中表现出较高的夏普比率及一定的风险自定义能力。

Aug, 2023

本文提出了 DeepScalper，一个使用深度强化学习框架来从事日内交易的交易系统，能够有效地区分高维度微观交易空间，对多模态市场表现进行建模，并在风险控制和最大化利润之间保持平衡。

Dec, 2021

本文提出了一种构建平稳特征的新方法，可以有效地应用深度学习模型以解决金融数据非恒定性等问题，并结合了 CNN 模型提取有用特征和 LSTM 模型分析时间序列的能力，测试显示其在预测期限方面优于单独的 LSTM 和 CNN 模型。

Oct, 2018

本文探讨了强化学习在量化交易中的应用，并提出了一个基于强化学习的交易算法案例研究。结果表明，强化学习可以成为量化交易的强有力工具，有潜力胜过传统的交易算法。强化学习在量化交易中的应用代表了一个有前途的研究领域，未来的工作可以探索使用其他强化学习算法，加入额外的数据源，并测试其在不同的资产类别上的情况。我们的研究表明，利用强化学习在量化交易中具有潜力，并强调在这一领域继续研究和发展的重要性。通过开发更复杂、更有效的交易系统，我们可以提高金融市场的效率，为投资者产生更大的收益。

Apr, 2023