Jan, 2024

基于强化学习的量化交易协同式公式化 Alpha 生成

PDF
TL;DR通过扩展搜索空间和利用预训练的公式化 Alpha 集作为初始种子值以生成协同公式化 Alpha，本文提出了一种增强现有 Alpha 因子挖掘方法的方法，并以强化学习作为高效发现股票市场量化交易中已知指标（称为 Alpha 因子）的过程。我们使用信息系数（IC）和排名信息系数（Rank IC）作为模型的性能评估指标。通过使用 CSI300 市场数据进行实际投资模拟，我们观察到与现有技术相比的显著性能改善。
mining of formulaic alpha factorsreinforcement learningquantitative tradingalpha factor mininginformation coefficient
发现论文，激发创造
  • 通过增强学习生成协同配方式 Alpha 集合

    本文提出了一种新的 alpha 挖掘框架，这个框架优先挖掘协同集的 alphas，并利用强化学习来探索公式 alphas 的广阔领域，实验表明这个框架的有效性和效率。

    May, 2023

  • AlphaForge：一个挖掘和动态组合公式化 Alpha 因子的框架

    本研究提出了一种基于两阶段的公式化 α 因子生成框架 AlphaForge，用于 α 因子挖掘和因子组合。该框架利用生成性 - 预测性神经网络生成因子，并结合因子的时间性能进行选择和动态调整权重，实现了在量化投资领域中超越现有基准的效果。

    Jun, 2024

  • Alpha²：基于深度强化学习发现逻辑公式式 Alpha

    我们提出了一种使用深度强化学习进行 alpha 发现的新框架，通过将 alpha 发现过程形式化为程序构建。我们的代理人引导的搜索算法根据潜在 alpha 结果的价值估计在搜索空间中导航。我们的实证实验表明，我们的方法能够识别出一组多样化、逻辑正确且有效的 alpha，显著提高了最终交易策略的性能。

    Jun, 2024

  • AlphaStock：使用解释性深度强化关注网络的买赢家卖输家投资策略

    本文提出了一种结合解释性深度注意力网络的强化学习投资策略，将深度学习方法应用于量化交易，提高投资策略的风险收益平衡度和可解释性，并实现了资产间关系和高成长、低波动、高内在价值和被低估的股票的选择，经过对美国和中国市场的实验验证，此策略具有较高的效果和稳健性。

    Jul, 2019

  • 学习型潜在 alpha 模型的交易算法

    本文分析了如何通过学习潜在因素的后验分布来解决隐含最优交易问题，提出了一种 EM 算法的变体来校准模型，演示了此最优策略的性能和与忽略学习的策略的比较。

    Jun, 2018

  • 基于数据跨分割的强化学习算法交易中的改进泛化

    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

  • 前沿投资拓展：面向投资组合优化的行业级深度强化学习

    本研究论文探讨了深度强化学习（DRL）在无市场偏见的资产类组合优化中的应用，将行业级方法与量化金融相结合。本文通过我们强大的框架实现了这种融合，不仅融合了先进的 DRL 算法与现代计算技术，还注重严格的统计分析、软件工程和法规合规性。据我们所知，这是第一项将金融强化学习与机器人学和数学物理领域的模拟到真实方法相结合的研究，从而为我们的框架和论证带来了独特的视角。我们的研究通过引入 AlphaOptimizerNet，一个专有的强化学习代理（和相应的库），达到高风险回报优化的目的，并且适用于各种资产类别和现实约束条件。这些初步结果突显了我们框架的实际有效性。随着金融行业越来越倾向于先进的算法解决方案，我们的研究将理论进展与现实适用性相结合，为这个技术驱动的未来提供了一个确保安全和稳健标准的模板。

    Feb, 2024

  • Style Miner：利用约束强化学习在时间序列中查找显著且稳定的解释因素

    本文介绍了一种基于强化学习的方法，称为 Style Miner，用于生成低维度风格因子，能够在金融和气候变化等领域中提高 R-squared 指数达到 10% 左右的准确度。

    Mar, 2023

  • AlphaFin: 用检索增强的股票链框架进行金融分析基准测试

    通过 AlphaFin 数据集和 Stock-Chain 方法，有效地解决了金融分析中的挑战，提供了可解释性的股票趋势预测和金融问答的综合框架。

    Mar, 2024

  • 使用深度 Q 学习进行量化交易

    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