高频交易（HFT）是在短时间范围内执行算法交易的交易方式，近年来已经占据了大部分加密货币市场。除了传统的量化交易方法外，强化学习（RL）由于其处理高维金融数据和解决复杂顺序决策问题的能力，成为 HFT 的另一种吸引人的方法。本文提出了一种新颖的记忆增强上下文感知强化学习方法（MacroHFT），它通过分阶段的训练使得各个子代理根据市场条件调整交易策略，并结合这些子代理的决策输出一个持续盈利的总体策略来处理快速市场波动，从而实现了在分钟级交易任务上最先进的性能。

Jun, 2024

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

应用深度学习和强化学习结合，利用订单流量失衡进行多时间段预测收益的研究，为五种金融工具提供交易信号，并通过回测模拟和前期测试在零售交易平台验证了模型的潜力，但还需要进一步修改以应对零售交易成本、滑点和点差的波动。

Oct, 2023

利用机器学习模型，我们研究金融市场动态与高频交易活动之间的非线性相互作用，并引入新的指标来识别需求和供应流动性的高频交易策略。这些策略在信息事件发生时增加交易活动，在交易速度受限时降低交易活动，其中供应流动性策略表现出更高的反应性。需求流动性的高频交易与延迟套利机会呈正相关，而供应流动性的高频交易呈负相关，与理论预期一致。我们的指标对于理解金融市场中的信息生产过程具有重要意义。

May, 2024

本文介绍了一种名为 FinRL 的开源框架，它利用深度强化学习算法实现智能交易，精细调整了当前最先进的 DRL 算法和通用奖励函数，并提供了多个精细化的教程，方便用户进行自定义操作。

Nov, 2021

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

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

本研究基于强化学习技术的理论基础和概念，对 29 篇相关研究进行了综合分析和比较，总结出了当前的系统设计最佳实践、需要进一步研究的领域和有前途的研究机会。此外，本文还试图通过帮助研究人员遵守标准和避免偏离强化学习构造的坚实基础来促进该领域的发展。

Nov, 2022

本研究介绍了一个名为 FinRL 的 DRL 库，该库帮助初学者接触量化金融，开发自己的股票交易策略，并包括各种股票市场的模拟环境和交易代理培训，帮助用户轻松进行回测分析和比较。FinRL 库以其完整性，易于使用的教程和可重现性而受到好评，使用者可以使用深度强化学习和神经网络来训练交易代理，并包括各种重要的交易限制条件。

Nov, 2020

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