Jun, 2024

长期投资的组合策略集成：一种无分布偏好框架和决策算法

PDF
TL;DR通过建立投资者对决策的偏好，并确立明确的目标，引入一种新颖的决策框架，在任何市场条件下结合多种策略，构建无需统计假设的组合策略，以满足确定的标准，并在实验中验证了该策略的有效性和改进性能。
ensemblingsequential portfoliosinvestment strategiescombinationperformance
发现论文，激发创造
  • 未知分布的长期投资中的均值方差组合选择：在线估计，不确定性下的风险厌恶与算法的普适性

    通过在线学习框架将原模型重新设计为一种动态策略，以在统计假设下不受限制地接近真实总结的组合的经验效用、夏普比率和增长率。

    Jun, 2024

  • 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

  • 学习集成策略的理论保证及其在时间序列预测中的应用

    使用理论分析方法，我们证明了从有限或有限维族中选择最佳堆叠综合的交叉验证方法不会比最佳方案表现差得多，进一步提出了一种特定的堆叠综合族在概率预测中的应用，并通过实验结果证明了所提出方法的性能提高。

    May, 2023

  • 设计新的集成学习算法的系统方法

    本研究通过重新审视集成学习中的误差分解方法，将其应用于神经网络作为基础学习器的集成学习算法的开发，利用最新的理论框架和方法，设计了 21 种新的集成算法，并证明了其中大部分方法在多样化数据集上具有优越的预测性能。

    Feb, 2024

  • 集成分布蒸馏的通用框架

    通过构建神经网络集成，可以更好地进行预测和不确定性估计，并将不确定性分解为数据不确定性和模型不确定性。本文提出了一种保持神经网络集成分解性质的蒸馏框架，其预测性能与标准蒸馏相当。

    Feb, 2020

  • 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

  • 智能系统性投资代理：深度学习和进化策略的组合

    本文提出利用集成演化算法和深度学习模型开发长期投资策略的新方法，通过一系列短期购买决策来增加系统投资计划（SIP）对 ETF 的决策，并在 Robinhood 交易平台上执行算法的实时交易决策，相比于传统的日常系统性投资，我们的新方法有着更高（约 1%）的回报率。

    Mar, 2022

  • SEERL: 高效率样本集成强化学习

    本文提出了一种新的训练和模型选择框架，用于模型无关的强化学习算法，使用单次训练的策略集合。这些策略通过定向扰动模型参数在一定时间间隔内进行学习，选择一个足够多样化的策略集合对于得到一个好的集成模型来说是必需的。该框架具有显著的样本效率和低计算成本，且在 Atari 2600 和 Mujoco 中表现优异。

    Jan, 2020

  • 约束优化模型集成

    通过多调整技术和组合模型来改进多维输出预测的下游优化问题，提出了两个高效收敛的算法，并在实验中对其性能和行为进行了探索。

    May, 2024

  • 液体集成选择用于持续学习

    连续学习旨在使机器学习模型能够在数据分布不断变化的情况下不忘记已学知识。通过训练集合中的每个成员于不同相关子集，使整个集合相比于单纯模型能够获得更高准确率且遗忘更少的问题。我们解决了在给定数据上选择哪些模型应该学习，哪些模型应该进行预测的问题。通过借鉴委托投票的工作，我们开发了一种用于动态选择集合中活动模型的委托算法。我们探讨了各种委托方法和性能指标，最终发现在面对分布变化时，委托能够显著提高性能，优于单纯学习。

    May, 2024