Aprendizaje por refuerzo y funciones barrera para controlar el riesgo de cartera

Resumen

Este documento presenta un marco de gestión de carteras que combina un agente de aprendizaje por refuerzo orientado a la rentabilidad con un controlador de riesgo basado en funciones barrera. El componente de aprendizaje busca decisiones de inversión rentables, mientras que el controlador supervisa las condiciones del mercado y ajusta la cartera para limitar la exposición a posibles pérdidas, especialmente en tendencias bajistas. Dos mecanismos adaptativos varían la influencia del controlador para que el marco responda de forma distinta en mercados alcistas y bajistas.

Los autores informan de comparaciones empíricas con conjuntos de datos reales y afirman que el enfoque obtiene resultados favorables frente a la mayoría de los métodos de aprendizaje por refuerzo considerados. El texto no identifica los conjuntos de datos, modelos de referencia, periodo de evaluación, medidas de riesgo ni resultados detallados, por lo que no es posible evaluar la solidez ni la generalidad de la evidencia a partir de este resumen. Presenta un marco y una ventaja empírica afirmada, pero no suficiente información para reproducir el estudio ni determinar cómo se comporta el controlador en condiciones de mercado concretas.

Ideas clave

• El marco combina el aprendizaje por refuerzo para tomar decisiones de cartera con un controlador de funciones barrera para la gestión del riesgo.
• El controlador supervisa las situaciones de mercado y ajusta la exposición de la cartera para limitar posibles pérdidas.
• Dos mecanismos adaptativos cambian la influencia del control del riesgo en mercados alcistas y bajistas.
• El documento informa de comparaciones favorables con datos reales, pero el fragmento no ofrece detalles del experimento.

Etiquetas

# Combining Reinforcement Learning and Barrier Functions for Adaptive Risk Management in Portfolio Optimization


# Combining Reinforcement Learning and Barrier Functions for Adaptive Risk Management in Portfolio Optimization









Reinforcement learning (RL) based investment strategies have been widely adopted in portfolio management (PM) in recent years. Nevertheless, most RL-based approaches may often emphasize on pursuing returns while ignoring the risks of the underlying trading strategies that may potentially lead to great losses especially under high market volatility. Therefore, a risk-manageable PM investment framework integrating both RL and barrier functions (BF) is proposed to carefully balance the needs for high returns and acceptable risk exposure in PM applications. Up to our understanding, this work represents the first attempt to combine BF and RL for financial applications. While the involved RL approach may aggressively search for more profitable trading strategies, the BF-based risk controller will continuously monitor the market states to dynamically adjust the investment portfolio as a controllable measure for avoiding potential losses particularly in downtrend markets. Additionally, two adaptive mechanisms are provided to dynamically adjust the impact of risk controllers such that the proposed framework can be flexibly adapted to uptrend and downtrend markets. The empirical results of our proposed framework clearly reveal such advantages against most well-known RL-based approaches on real-world data sets. More importantly, our proposed framework shed lights on many possible directions for future investigation.

Se muestra íntegramente con atribución según la licencia de la fuente. Licencia: abstract CC0

Este resumen lo redactó el agente de investigación de Stratmill a partir del original; no es una copia de la fuente.