- 利用强化学习处理非累计目标的决策过程
本文介绍了非累积马尔可夫决策过程（NCMDPs）与标准马尔可夫决策过程（MDPs）之间的一种映射关系，并展示了在强化学习中的应用，包括经典控制、金融组合优化和离散优化问题。通过我们的方法，相较于依赖标准 MDPs，我们可以改善最终性能和训练 - 简单解析在强化学习中的投资组合分配约束
我们提出一种基于分解约束空间的方法来处理分配约束，该方法在投资组合优化任务中表现出优于现有方法的性能。
- 金融投资组合优化的基于注意力的集成学习框架的开发
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 - AAAI深度强化学习与均值方差策略的负责任投资组合优化
本研究旨在研究深度强化学习在负责任投资组合优化中的应用，通过纳入环境、社会和治理评估指标，并与修改后的均值 - 方差优化方法进行比较，结果表明深度强化学习策略在满足投资收益和负责任投资目标的加性和乘性效用函数方面表现出有竞争力的表现。
- 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 - 将基于 Transformer 的深度强化学习与 Black-Litterman 模型相结合的投资组合优化
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 - 大规模 (和深度) 因子模型
通过打开 Deep Learning 在投资组合优化中的黑匣子，我们证明一个足够宽且任意深的神经网络（DNN）在最大化随机折现因子（SDF）的夏普比率时等效于一个大型因子模型（LFM）：一个使用许多非线性特征的线性因子定价模型。这些特征的性 - 最优投资组合选择中的随机签名方法
我们通过实证研究随机签名方法在多变量金融市场的非线性、非参数漂移估计中的应用，得出令人信服的结果。尽管由于信号噪声比小而导致漂移估计非常不确定，但我们仍然可以尝试从数据中学习到未来回报的最佳非线性映射，以进行投资组合优化。与传统签名方法相比 - 转移学习的风险及其在金融中的应用
本文提出了一个新的转移风险概念并分析了其性质，将其应用于股票收益预测和投资组合优化问题中，数值结果表明转移风险与整体转移学习性能存在强相关性，转移风险提供了一个计算高效的方法来识别适当的源任务，包括跨大陆、跨行业和跨频率转移用于投资组合优化 - 印度股市投资组合优化方法的比较研究
本研究在印度股市上对三种投资组合优化方法（最小方差组合、分层风险平衡组合、最优风险调整组合）进行了比较研究，以印度国家股票交易所上 15 个行业的股票为重点。对每个行业，根据 2022 年 7 月 1 日 NSE（国家股票交易所）发布的报告 - 金融网络学习优化动量策略
网络动量提供一种新型的风险溢价，利用金融网络中的资产相互连接来预测未来回报。我们提出了 L2GMOM，这是一个端对端的机器学习框架，它同时学习金融网络和优化网络动量策略的交易信号，通过 64 个连续期货合约的回测表明，在 20 年的时间段内 - 体育博彩：神经网络与现代投资组合理论在英超联赛的应用
基于 Von Neumann-Morgenstern 期望效用理论、深度学习技术和凯利准则的先进公式，本研究采用全新方法优化体育博彩中的投注策略，结合神经网络模型和投资组合优化，取得了在 20/21 英超联赛后半段相对初始财富增长 135. - 投资组合优化：比较研究
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 - 快速经验场景
从大型高维面板数据中提取代表性情景，使用协方差矩阵进行数据建模，为投资优化。
- 印度股市中使用均值 - 方差、层次风险平价和强化学习方法进行组合优化的比较分析
通过比较三种投资组合优化方法的表现，本文提出了一种基于强化学习的组合设计方法，利用印度股市历史数据进行训练和测试，并使用年回报、年风险和夏普比率等指标进行了比较。
- 金融科技领域中强化学习的系统性综述
本文介绍了强化学习在金融科技中的具体应用，通过对比其他算法表明，强化学习在各类金融决策挑战中有着优异的表现，涉及领域包括投资组合优化、信用风险缩减、Robo-advising 等。
- 投资组合管理的利润、风险和可持续性平衡
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。
- 用模糊专家系统进行股票投资组合的选择：以孟买证券交易所为例
本文提出了一种基于模糊专家系统和 DS 证据理论方法的股票评估和排名技术，并应用蚁群算法进行组合优化，以在 Bombay 证券交易所的短期投资中表现良好。
- 均值协方差鲁棒风险度量
使用一种基于 Gelbrich 距离的普适方法以及先前的结构信息，针对风险衡量和投资组合优化问题建立模型并寻找最优解，结果表明该方法在理论和计算上优于现有模型，同时能高效地解决大部分类别的风险衡量问题。
- 风险度量的贝叶斯优化
研究了基于贝叶斯优化算法的目标函数，其中目标函数采用 VaR 或 CVaR 风险度量，算法通过将目标函数建模为高斯过程来提高采样效率，并在投资组合优化和鲁棒系统设计等领域得到了有效应用。