Nov, 2023
通过强化学习在动态投资组合优化中进行投资限制和非稳态的因果推断
Causal Inference on Investment Constraints and Non-stationarity in Dynamic Portfolio Optimization through Reinforcement Learning
Yasuhiro Nakayama, Tomochika Sawaki
TL;DR使用强化学习技术，我们研究了一种动态资产配置投资策略，并解决了将金融时间序列数据的非平稳性纳入强化学习算法的关键问题，以提高预测精度。我们发现引入环境设置中的变量，如制度变化，对于增强预测准确性至关重要。此外，强化学习在投资策略中的应用具有灵活解决优化问题的显著优势，能够将投资者面临的实际限制整合到算法中，实现高效优化。我们将投资策略制定条件分为三个主要类别，包括绩效衡量指标、投资组合管理规则和其他约束条件，并在强化学习框架中评估了将这些条件纳入环境和奖励函数对投资行为的影响。