机构名称：
¥ 7.0
我们在市场上研究持续的时间平均变化投资组合选择，这些市场是由可观察的因素驱动的股价扩散过程，这些因素也是扩散过程，但这些过程的系数尚不清楚。基于最近开发的扩散过程的强化学习理论（RL）理论，我们提出了一种通用数据驱动的RL算法，该算法直接学习了预先合同的投资策略，而无需尝试学习或估计市场系数。对于没有因素的多股黑色 - choles市场，我们进一步设计了一种基线算法，并通过在Sharpe比率方面获得了Sublinear后悔来证明其性能保证。为了提高性能和实践实施，我们将基线算法修改为四种变体，并进行了广泛的经验研究，以与许多共同指标相比，将其绩效与大量广泛使用的投资组合分配策略在S＆P 500成分上进行比较。结果表明，连续的RL策略始终是最佳的，尤其是在动荡的熊市中，并且果断地超过了基于模型的连续时间对应物的大幅度利润率。
Adam N. Elmachtoub
主要关键词
相关文件推荐
