金融投资组合优化的基于注意力的集成学习框架的开发

Apr, 2024

金融投资组合优化的基于注意力的集成学习框架的开发

Developing An Attention-Based Ensemble Learning Framework for Financial Portfolio Optimisation

Zhenglong Li, Vincent Tam

TL;DR最近，通过学习动态金融市场中的空间和时间信息，采用深度学习或强化学习方法对投资组合进行优化。然而，在大多数情况下，现有的方法可能会根据传统价格数据产生偏斜的交易信号，由于大量市场噪音，这可能导致投资回报和风险无法平衡。因此，本文提出了一种多智能体和自适应投资组合优化框架，集成了注意机制和时间序列，即 MASAAT，其中创建了多个交易智能体以观察和分析价格序列和方向变化数据，以识别不同粒度级别上资产价格的显著变化，从而增强价格序列的信号噪声比。通过重构金融数据的令牌序列，每个智能体的基于注意力的横截面分析模块和时间分析模块可以有效捕捉资产之间的相关性和时间点之间的依赖关系。此外，将投资组合生成器集成到所提出的框架中，以融合空间 - temporal 信息，然后总结所有交易智能体建议的投资组合，生成新的合奏投资组合，以减少偏斜的交易行为，并平衡整体回报和风险。实验结果清楚地表明，与许多知名的投资组合优化方法相比，MASAAT 框架在 DJIA、S&P 500 和 CSI 300 三个具有挑战性的数据集上取得了令人印象深刻的增强效果。更重要的是，我们的提案在未来的研究中具有许多潜在优势应用。

Abstract

In recent years, deep or reinforcement learning approaches have been applied to optimise investment portfolios through learning the spatial and temporal information under the dynamic financial market. Yet in most cases, the existing approaches may produce biased trading signals based o

deep learning reinforcement learning portfolio optimization attention mechanisms multi-agent system

发现论文，激发创造

基于深度强化学习的多智能体和自适应框架开发动态投资组合风险管理

在高度动荡的金融市场环境下，本研究提出了一个自适应的多智能体框架（MASA），采用了深度学习和强化学习方法作为反应性代理，平衡投资组合的回报和潜在风险。该框架中的市场观察者代理提供了有价值的市场趋势信息，以帮助多智能体反应性学习方法快速适应不断变化的市场条件。经验证实，MASA 框架在过去 10 年的 CSI 300 指数、道琼斯工业平均指数和标准普尔 500 指数上相比其他已知基于强化学习方法的方法表现出潜在优势，并为未来的研究提供了多个可能的方向。

Feb, 2024

学习市场：基于情绪的集成交易代理

我们提出了情感分析和深度强化学习集成算法用于股票交易，并设计了一种能够根据当前市场情绪动态改变其参与的交易代理的策略。我们展示了我们的方法导致了一个盈利的、稳健的和风险最小化的策略，其表现优于传统集成策略以及单一代理算法和市场指标。此外，我们设计的算法考虑了简洁性和效率，并且我们假设将我们的方法从历史评估向实时交易的转换应该相对简单。

Feb, 2024

金融组合管理问题的深度强化学习框架

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

MAPS: 基于多智能体强化学习的投资组合管理系统

提出了基于多智能体强化学习模型的股票投资策略生成系统 (MAPS)，在实验中，MAPS 的表现表明其具有更好的 Sharpe 比率，并且加入更多的智能体可以降低风险并获得更多的收益。

Jul, 2020

不规则采样时间序列的多时间注意力网络

本篇论文针对电子健康档案中所涉及的稀疏、不规则采样、多变量的生理时序数据提出一种名为 Multi-Time Attention Networks 的多时间注意网络的深度学习框架，并使用多个数据集进行内插和分类任务的性能研究，结果表明该框架的性能优于许多基线和最近提出的模型，同时提供了比当前最先进方法更快的训练速度。

Jan, 2021

基于深度强化学习的加密货币自动交易集成方法

我们提出了一种集成方法，以提高在高度随机的日内加密货币组合交易环境中通过深度强化学习算法训练的交易策略的泛化性能。我们采用了一种模型选择方法，对多个验证期进行评估，并提出了一种新颖的混合分布策略，以有效地集成所选模型。我们提供了关于细粒度测试期间样本外表现的分布视图，以证明策略在不断变化的市场条件下的稳健性，并定期重新训练模型以应对金融数据的非平稳性。与深度强化学习策略和被动投资策略的基准相比，我们提出的集成方法改善了样本外表现。

Jul, 2023

MetaTrader: 一种融合多样策略的强化学习方法用于投资组合优化

本文提出了一种基于元学习和深度增强学习的投资组合管理方法 MetaTrader，通过模仿不同的专家策略来获取适应不同市场的交易策略，并学习元策略来决定最适合的策略。实证结果表明，MetaTrader 在平衡利润和风险方面显著优于现有的基线模型，并通过彻底的消融研究验证了该方法组成部分的有效性。

Sep, 2022

高效深度强化学习的多焦点注意力网络

本文提出了一种多焦点注意力网络 (Multi-focus Attention Network, MANet) 模型，通过模仿人类对低级感官输入进行空间抽象并同时关注它们的能力，将其分割成若干个部分状态后，利用并行的注意力层关注与任务有关的部分状态进行状态值估计；实验证明，MANet 在体验采样数显著减少的情况下取得了最高分，并相比 Deep Q-network 和单一注意力模型表现更好，同时在多智能体合作任务中，我们的模型比现有最先进模型的学习速度提高了 20%。

Dec, 2017

深度强化学习实现成本敏感的投资组合选择

本研究提出了一种基于深度强化学习的成本敏感投资组合选择方法，使用两个投资组合策略网络提取价格序列模式和资产相关性，通过新的成本敏感回报函数约束成本并实现最大的累积回报，经实际数据验证，该方法具有良好的获利能力、成本敏感性和代表能力。

Mar, 2020

基于图注意力机制的多无人机辅助通信中轨迹规划和资源分配的强化学习

该论文提出了一种新的图注意多智能体信任域（GA-MATR）强化学习框架，用于解决多无人机辅助通信问题，通过引入图递归网络处理和分析通信网络的复杂拓扑结构，从观测信息中提取有用的信息和模式，提供额外的权重，并利用批评网络准确评估无人机基站行为的价值，以实现更可靠的反馈信号，并帮助演员网络更有效地更新策略。模拟实验表明，该方法具有优于基准线的收敛性能，无人机基站学习到了达到最大累积奖励的最佳通信策略，同时，多智能体信任域方法具有单调收敛性，为多无人机辅助通信马尔可夫博弈提供了估计的纳什均衡点。

Jan, 2024