高效更新共同基金投资组合的规划
本文针对设计算法组合的问题,提出了并行考虑调度问题和机器学习问题的技术,并在布尔可满足性、01 整数规划和人工智能规划等领域取得了显著的实验性能提升,具有较强的理论保证。
Jun, 2012
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
本文提出了一种基于强化学习的投资组合优化系统,使用 Sharpe 比率和 ESG 评分作为效用函数,使用遗传算法进行参数优化,超越了现有的强化学习方法。
Jun, 2022
本研究为了解决多目标资产组合优化问题引入了现实约束条件,并使用元启发式算法与学习启发式算法将其与基线算法进行比较,结果表明使用学习启发式算法进行资产配置可以产生更优的结果。
Apr, 2023
提出了一种基于层次化强化学习的股票交易系统,将交易过程分解为管理和执行交易两个级别,并通过预训练和迭代训练方式对两个层级的策略进行训练,从而实现长期收益的最大化和交易成本的最小化。在美股市场和中国股市的实验证明了此方法的显著效果提升。
Dec, 2020
本文通过采用在线多臂赌博策略,采用多种参数化的收购功能组合(其中最佳的是 GP-Hedge),优于使用单一收购方法,提高了排序算法的性能,并提供了算法性能的理论界限。
Sep, 2010
使用深层强化学习的自主交易代理设计动态投资组合优化模型,通过模型无关机器学习模块、生成式对抗数据增强模块以及行为克隆模块实现训练,对历史金融市场数据进行模拟交易,证明该模型相较于先前的交易策略是稳健的、盈利的和风险敏感的。
Jan, 2019
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