本文探讨了深度强化学习在优化股票交易策略方面的潜在性，并证明了所提出的深度强化学习方法在夏普比率和累积回报方面优于道琼斯工业平均指数和传统的最小方差组合策略。

Nov, 2018

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

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

对于以深度强化学习（DRL）为基础的环境、社会和治理（ESG）金融投资组合管理，重点研究了ESG评分市场监管的潜在益处。研究结果表明，在以ESG评分为基础的市场监管中，DRL代理在表现上优于标准的道琼斯工业平均指数（DJIA）市场设置，并且ESG因素在投资组合管理决策中起到重要作用。

Jun, 2023

将深度强化学习代理与Black-Litterman模型相结合，能使代理学习到资产回报之间的动态相关性，并基于这种相关性实施高效的多头/空头策略。在由真实世界美国股票市场数据构建的投资组合上进行的实证结果表明，我们的深度强化学习代理在累积回报方面至少比各种对比投资组合策略和其他深度强化学习框架提高了42%。在单位风险回报方面，我们的深度强化学习代理在各种对比投资组合策略和其他机器学习框架基础上明显更优。

Feb, 2024

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

本调研文章使用深度强化学习（DRL）和深度确定性策略梯度（DDPG）方法来对冲美式看跌期权，利用几何布朗运动（GBM）和校准市场随机波动模型进行实验，并在模拟和实际市场测试数据中表明DRL代理在真实场景中比BS Delta方法更优。

May, 2024

该研究通过深度强化学习（DRL）对美式期权进行对冲，调查了超参数对对冲表现的影响，并强调避免特定组合的重要性。另外，该研究引入了一种新方法，在每周时间间隔内使用新的校准随机波动率模型训练DRL代理，结果显示相较于仅在交易日期训练的代理，使用每周市场数据重新训练的DRL代理性能更好。此外，论文还证明在交易成本为1％和3％时，单次训练和每周训练的DRL代理都优于Black-Scholes Delta方法，这对实践具有重要意义。

May, 2024

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