检索结果-南通市图书馆

基于强化学习PPO算法的上市公司投资组合管理

在线全文

学校读者我要写书评

暂无评论

中国管理信息化 2024年第5期27卷 140-143页

作者：代一方南京财经大学经济学院南京210000

传统的投资组合管理方法往往依赖于经验规则或数学模型,难以充分利用市场信息和动态调整投资策略。为了解决这一问题,文章提出一种基于强化学习PPO(Proximal Policy Optimization)算法的新方法。使用上市公司的历史数据进行训练和测试,... 详细信息

传统的投资组合管理方法往往依赖于经验规则或数学模型,难以充分利用市场信息和动态调整投资策略。为了解决这一问题,文章提出一种基于强化学习PPO(Proximal Policy Optimization)算法的新方法。使用上市公司的历史数据进行训练和测试,与传统投资策略和其他强化学习算法进行比较,实验结果表明,基于强化学习PPO算法的投资组合管理方法在投资回报率和风险控制方面取得了显著的改进。

关键词：强化学习 PPO算法投资组合管理上市公司

维普期刊数据库博看期刊

基于值分布最大熵Actor-Critic算法的投资组合管理

在线全文

学校读者我要写书评

暂无评论

华中科技大学学报（自然科学版） 2023年第5期51卷 26-32页

作者：刘磊陈浩河海大学理学院江苏南京210000

针对投资组合管理问题,提出一种基于值分布强化学习算法(VD-MEAC)的投资组合框架.首先,以投资组合收益最大化为目标建立强化学习框架,智能体的动作就是投资组合的权重变化;然后,选择股票因子做为智能体观察到的状态信息.在算法设计上通... 详细信息

针对投资组合管理问题,提出一种基于值分布强化学习算法(VD-MEAC)的投资组合框架.首先,以投资组合收益最大化为目标建立强化学习框架,智能体的动作就是投资组合的权重变化;然后,选择股票因子做为智能体观察到的状态信息.在算法设计上通过新颖的技巧来平衡风险与收益:在控制风险方面,Critic网络学习未来收益的整个分布,并排除过度自信的决策信息从而避免过估计带来的风险;在提高收益方面,增加熵正则,鼓励投资者探索动作空间,避免过早陷入局部最优.在数值实验方面,选择真实的股票数据做为金融环境,多次进行测试以验证策略的稳定性.实验结果表明:VD-MEAC策略的收益均值为2.490,夏普比率均值为2.978,并且在收益率、最大回撤和夏普比率等指标上明显优于对照组(等权重,沪深300,DDPG,TD3,SAC),证明了该策略的有效性.

关键词：值分布强化学习投资组合管理量化投资因子模型深度学习

论我国海外证券投资的重要性及其投资组合管理

在线全文

学校读者我要写书评

暂无评论

证券市场导报 2008年第8期 13-17页

作者：侯振海中国国际金融有限公司研究部北京100004

本文探讨了在金融资本一体化背景下,我国进行海外投资的必要性和意义。我国经济的高速增长和外汇储备的不断累积为我国境外投资提供了物质基础,对于我国外币资产的保值增值需求成为境外投资的内在动力;随着我国经济发展逐步进入转型阶段... 详细信息

本文探讨了在金融资本一体化背景下,我国进行海外投资的必要性和意义。我国经济的高速增长和外汇储备的不断累积为我国境外投资提供了物质基础,对于我国外币资产的保值增值需求成为境外投资的内在动力;随着我国经济发展逐步进入转型阶段,海外证券投资和资本运作将成为我国经济成功转型必不可少的要件之一;海外证券投资是对国内较为狭窄的投资渠道的一种良好补充,为境内投资者提供了分散化解风险的投资方式。本文还利用过去8年全球资本市场的历史数据和现代金融理论,分析了全球投资和资产配置对投资者带来的实际收益。

关键词：海外证券投资资产配置投资组合管理

在线全文

学校读者我要写书评

暂无评论

略论投资组合管理的几个问题

经济经纬 2003年第2期20卷 87-89页

作者：张健方先丽复旦大学经济学院上海200433

在国内,随着基金和资产管理机构的大量涌现,投资组合管理的重要性得以凸现。在投资组合管理的目标——管理——评价的每一阶段,都是以当代金融学、财务学的理论为基础,以定量分析和计算机为手段,以大量的数据库为支撑的。投资组合管理... 详细信息

在国内,随着基金和资产管理机构的大量涌现,投资组合管理的重要性得以凸现。在投资组合管理的目标——管理——评价的每一阶段,都是以当代金融学、财务学的理论为基础,以定量分析和计算机为手段,以大量的数据库为支撑的。投资组合管理与个股投资有很大不同,需要作专门研究。

关键词：中国基金资产管理机构投资组合管理投资回报

在线全文

学校读者我要写书评

暂无评论

企业投资组合管理的不确定型决策方法

东南大学学报（哲学社会科学版） 2002年第S2期4卷 40-43页

作者：朱奉云邱菀华北京航空航天大学经济管理学院北京100083

伴随国际化进程的加快和中国证券市场的进一步完善,证券投资组合管理作为企业投资决策中的一个重要方面,显得日益重要。企业证券投资实际上是一种典型的不确定性状态下的决策问题,文章讨论了无概率假设的不完全信息下的投资问题。将不... 详细信息

伴随国际化进程的加快和中国证券市场的进一步完善,证券投资组合管理作为企业投资决策中的一个重要方面,显得日益重要。企业证券投资实际上是一种典型的不确定性状态下的决策问题,文章讨论了无概率假设的不完全信息下的投资问题。将不确定型决策方法引入投资组合中,建立了证券投资组合的四种不确定型模型——悲观主义模型、乐观主义模型、乐观系数模型和等可能性模型,它们均可化为线性规划求解。文中进一步对不确定型决策模型与马柯维茨的MV模型进行了比较分析。这些方法在处理企业投资问题时,为企业决策者或管理者提供了新的途径和思路。

关键词：投资组合管理不确定型决策均值-方差(MV) 线性规划

在线全文

学校读者我要写书评

暂无评论

美国投资组合管理的一般过程及其演化

证券市场导报 2003年第6期 4-8页

作者：王卫华北京大学光华管理学院

管理人未来获取经风险调整的超额回报能力的大小,是选择管理人的重要依据。

关键词：美国投资组合管理投资过程演化趋势风险管理股票投资

在线全文

学校读者我要写书评

暂无评论

金融业投资组合管理系统的设计与实现

金融业投资组合管理系统的设计与实现

作者：吴鹏北京工业大学

学位级别：硕士

在人类经济社会的发展过程中信息技术发挥了重要的作用,尤其是现代金融行业的发展越发地需要金融信息技术的支持。对于国外金融信息化来说,发展早已经进入智能决策和业务集成阶段。欧美等国的银行业务经过信息技术的投资改造,收益率增... 详细信息

在人类经济社会的发展过程中信息技术发挥了重要的作用,尤其是现代金融行业的发展越发地需要金融信息技术的支持。对于国外金融信息化来说,发展早已经进入智能决策和业务集成阶段。欧美等国的银行业务经过信息技术的投资改造,收益率增长明显,发展能力极大提高。信息技术的发展给传统的金融行业带来了新的活力。进入新世纪以来,随着网络和计算机技术的快速发展,企业之间的竞争加剧,只有那些能够充分利用新的技术和管理模式取代陈旧的管理模式,整合企业内部和外部的生产活动的企业才可以占领市场得以生存。投资组合管理系统逐渐成为资产管理公司关注的焦点。论文以金融行业的投资组合管理系统开发为背景,针对资产管理公司投资组合管理的业务需求,设计开发了基于新的架构模式WPF+WCF+MVVM+SQL CE的投资组合管理系统。该系统的设计既是公司内部对新技术运用的需求,也是来自客户对新系统呼声高涨所推动的结果。新的投资组合管理系统的设计与实现,不仅满足了客户的需求,也为本公司带来了可观的效益。论文首先阐述了投资组合管理系统在资产管理中的作用和意义,分析了国内外投资组合管理的现状、特点以及存在的问题。然后分别介绍了系统开发中所使用的各项关键技术,并确定使用WPF/WCF/ActiveX技术来进行实现。其次从资产管理公司的角度分析了系统的需求,提出了新的投资组合管理系统设计的总体目标。再次对该系统的数据库,从数据库的概念设计和逻辑结构两个方面来分析,在此基础上对系统进行了详细设计,并按照企业的要求实现了系统的功能。论文最后,从软件测试的角度,对该投资组合管理系统的测试目的、测试环境和测试方法进行分析,并给出了相应的测试用例,测试结果和测试评价。

关键词：金融业投资组合管理信息系统

基于深度强化学习的股票投资组合管理及实证研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度强化学习的股票投资组合管理及实证研究

作者：焦禹铭西北大学

学位级别：硕士

近年来,随着Google DeepMind等人工智能研发团队的不断出现,深度强化学习逐渐为人们所熟知。与此同时,我国股票交易市场逐渐向多样化、便捷化与信息化方向迅速发展,这使得股票交易市场每天都在产生大量数据。为了解决传统交易分析方法... 详细信息

近年来,随着Google DeepMind等人工智能研发团队的不断出现,深度强化学习逐渐为人们所熟知。与此同时,我国股票交易市场逐渐向多样化、便捷化与信息化方向迅速发展,这使得股票交易市场每天都在产生大量数据。为了解决传统交易分析方法难以处理大量数据的缺陷,且避免人类投资者匮乏纪律性的非理性操作,具备科学性、系统性和准确性的量化投资逐渐成为机构投资研究者重点关注和发展的投资方式。量化投资是利用计算机对金融数据进行建模,挖掘数据中所蕴含的投资机会和交易信号,进而构建动态、自适应的投资策略,这与深度强化学习有异曲同工之妙,因此将二者结合起来用以解决现实金融问题是可行的。将深度强化学习应用于量化投资领域,一方面拓宽了量化投资的研究思路与建模方法,另一方面促进了金融交易向智能化与自动化方向发展。为获取最优投资机会与交易信号,本文尝试将深度强化学习(Deep Reinforcement Learning,DRL)方法应用于量化投资领域,以解决股票市场投资组合的管理问题。本文以A2C、PPO与SAC三种基于执行者/评论者的深度强化学习算法原理和框架为基础搭建模型智能体,结合股票市场历史真实价格、成交量和传统投资分析技术指标数据,利用数理统计方法对原始数据进行归一化处理,获取包含股票市场历史特征信息的状态数据矩阵,并利用智能体内部深度神经网络提取状态数据中稳健有效的特征表达,基于此特征利用三种强化学习算法各自的策略优化方法,结合当前奖励值优化深度神经网络相关参数,以探索的方式获取最优交易策略。实验分别以沪深300、上证180与中证200指数部分成分股为交易资产组合,并分别在牛市、熊市与震荡区间上进行测试,最后从收益和风险角度呈现和分析实验测试结果。结果表明,A2C、PPO与SAC三种模型在上行、下行与震荡行情下总体是有效的,其中SAC模型在收益获取和风险控制方面优势最为明显,最能胜任股票投资组合管理任务,能帮助投资者在回撤较小的同时获得15%～32%的超额收益,而A2C、PPO模型则与SAC模型相比效果较差,获得7%～20%的超额收益。本研究拓展了深度强化学习在量化投资领域的应用,对将深度强化学习应用于金融投资领域尤其是股票投资方面具有较强的参考意义和实践指导价值。

关键词：股票市场投资组合管理深度强化学习

基于改进EWT和强化学习的投资组合管理研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进EWT和强化学习的投资组合管理研究

作者：胥智星贵州大学

学位级别：硕士

现目前,已经有越来越多的将深度强化学习算法应用到投资组合管理领域的工作,一部分是从算法本身出发,通过采用不同的强化学习算法或改进强化学习算法来提升投资组合管理任务的表现,另一部分是通过对于提取股票之间的特征的网络进行创新... 详细信息

现目前,已经有越来越多的将深度强化学习算法应用到投资组合管理领域的工作,一部分是从算法本身出发,通过采用不同的强化学习算法或改进强化学习算法来提升投资组合管理任务的表现,另一部分是通过对于提取股票之间的特征的网络进行创新来提升投资组合管理任务的表现。尽管目前已经有非常多的工作,但是仍然存在以下两个问题,第一,原始股价信息中含有大量的噪音,将获取的股票数据集输入到模型之中时,往往并没有考虑噪音的影响,从而限制了深度强化学习模型的表达;第二,现目前对于股票之间的特征的提取,特别是股票的时间关系和空间关系的提取可能并不充分,同时都是针对含有噪音的原始金融序列进行提取,从而导致模型在面对某些市场情况时表现较差,基于此,本文的主要工作如下:第一,针对原始股票序列数据中存在着大量噪声的问题,本文将使用信号处理一类的算法,经验小波变换(Empirical Wavelet Transform,EWT)来对股票序列数据去噪。但是传统的EWT算法有着频谱划分方式较为简单,不能够很好地分解噪声数据的问题,因此对EWT算法进行了改进,提出了改进的经验小波变换(Improved Empirical Wavelet Transform,IEWT)算法。针对股票时间序列数据,在频谱划分时将进行自适应频谱划分并保证较少的本征模态分量数,同时,借鉴集成经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法的思想,对IEWT算法分解进行了优化。第二,利用IEWT算法对金融序列进行去噪,按照一定的相关系数阈值将噪音进行分离,然后使用去噪后的序列构建表征股票不同方面的科技指标,并且和分离出来的噪音一起输入到模型之中,使用不同的网络结构分别进行特征提取,让模型能够同时学习到有关特征和噪音数据的高阶抽象表示。第三,构建基于改进经验小波变换的策略梯度(Improved Empirical Wavelet Transform-Policy Gradient,IEWT-PG)模型,对于经过去噪之后的构建的科技指标使用时间卷积网络(Temporal Convolution Network,TCN)来提取股票之间的时序关系,多头注意力(Multi-Head Attention)网络来提取股票之间的空间关系;对于分离出来的噪声数据,使用长短期记忆网络(Long-Short Term Memory,LSTM)网络来提取时序特征,并且使用时间注意力网络来加强特征表达,最后将获得的抽象表示输入到全连接层,经过函数之后采用BWSL策略获得最后的投资组合的权重。使用策略梯度的方法对网络参数进行更新,并采用不同的奖励函数、输入数据与模型结构来探究本文提出的IEWT-PG模型的表现。在实证分析阶段,实验分别在代表三个不同发展程度的市场上进行,分别选取属于道琼斯工业平均指数(Dow Jones Industrial Average,DJIA)成分股、香港恒生指数(Hang Seng Index,HSI)成分股和德国工业指数(Deutscher Aktieninde X,DAX)成分股来作为投资组合数据集,并且与传统的策略和经典的深度强化学习模型进行了比较。实验证实,本文提出的IEWT-PG模型在收益、风险和收益-风险这三个方面都要优于传统的策略和经典的深度强化学习模型,证明了本文提出的模型在控制风险获取收益方面的能力。

关键词：投资组合管理经验小波变换强化学习注意力机制深度学习