1.简介 这篇论文的系统是讲投资组合优化的,主要的亮点是系统自带止损机制,止损触发时会自动更新自身参数。并且系统能根据实盘时的交易成本(滑点)来自适应的调整策略,这个思路完全可以用在所有的量化交易系统中… 阅读全文 7.深度强化学习比特币自动交易算法【有代码】 ...
这是一篇来自清华大学自动化系大佬2016年的一篇论文,主要内容是将模糊神经网络和深度强化学习结合用于量化交易,最终在股指期货和商品期货中验证了算法有效性。 从本质上讲,交易是个在线决策问题,需要提取当前的市场关键信息和做出最优交易决策。与传统的学习任务相比,由于缺乏标签的监督信息,动态决策更具挑战性。因此,它...
为了解决这个问题,本文提出了一个自动化配对交易范例,将其作为一个统一任务而非两个独立步骤。我们设计了一个分层强化学习框架,用于联合学习和优化这两个子任务。高级策略将从可选资产的所有可能组合中选择两种资产,然后低级策略将执行一系列交易操作。实验结果表明,与现有的配对选择和交易方法相比,本文的方法在真实世界...
EarnMore处理具有可定制股票池的投资组合管理任务的方法是通过一次性训练在全局股票池(GSP)上的强化学习...
在期货交易中,技术分析和基本面分析是两种关键方法,需要综合运用才能更好地捕捉市场机会。与此同时,在强化学习中,Q-函数学习的稳定性也是一个重要的问题,可以借助经验回放缓冲区来解决。但是,经验回放缓冲区也有可能导致扮演者的动作与样本之间的差异增加,从而影响训练效果。因此,有必要探索新的解决方案和方法。
在期货交易中,技术分析和基本面分析是两种关键方法,需要综合运用才能更好地捕捉市场机会。与此同时,在强化学习中,Q-函数学习的稳定性也是一个重要的问题,可以借助经验回放缓冲区来解决。但是,经验回放缓冲区也有可能导致扮演者的动作与样本之间的差异增加,从而影响训练效果。因此,有必要探索新的解决方案和方法。
这篇论文可能需要一定的强化学习(Reinforcement Learning)基础才能理解。推荐个RL基础系列博客:初探强化学习 模型框架 如图所示模型包括三个主要模块 Layer 1:Stacking/pre-processing layer 主要通过将时序的量价数据转成图像,再通过CNN进行特征提取,训练输出很多交易信号 ...
强化学习(Reinforcement Learning,RL)是一类机器学习方法,它的核心思想是训练一个智能体(agent),智能体能够在与环境(environment)交互的过程中不断学习,从而做出最优决策。 在强化学习过程中,智能体与环境一直在交互:智能体在环境里面获取某个状态后,会利用该状态输出一个动作,然后这个动作会在环境之中被执行。接下来...
TradeMaster是由新加坡南洋理工大学开发的一款基于强化学习的开源量化交易平台, 提供了多种模块和工具,帮助交易者进行使用强化学习方法进行量化交易,从数据获取和预处理到模型建立和评估,为交易决策提供全面的支持。 TradeMaster由六个关键模块组成,每个模块都有不同的功能和用途: ...
FinRL 是专门为量化金融量身定制的深度强化学习库。它利用强化学习算法来模拟交易环境并测试投资策略。该库是开源且用户友好的,经验丰富的金融分析师和该领域的新手都可以使用它。 FinRL 的主要特点 可定制的交易环境:FinRL 允许用户创建模仿现实世界金融市场的环境。