Associer apprentissage par renforcement et fonctions barrière pour contrôler le risque d’un portefeuille

Résumé

Ce document présente un cadre de gestion de portefeuille qui associe un agent d’apprentissage par renforcement visant le rendement à un contrôleur de risque fondé sur une fonction barrière. Le composant d’apprentissage recherche des décisions d’investissement rentables, tandis que le contrôleur surveille les conditions de marché et ajuste le portefeuille pour limiter l’exposition aux pertes potentielles, en particulier pendant les tendances baissières. Deux mécanismes adaptatifs modulent l’influence du contrôleur afin que le cadre réagisse différemment aux marchés en hausse et en baisse.

Les auteurs rapportent des comparaisons empiriques sur des jeux de données du monde réel et indiquent que l’approche donne de meilleurs résultats que la plupart des méthodes d’apprentissage par renforcement étudiées. Le texte ne précise pas les jeux de données, les références de comparaison, la période d’évaluation, les mesures de risque ni les résultats détaillés ; la solidité et la généralité des éléments présentés ne peuvent donc pas être évaluées à partir de ce résumé. Il présente un cadre et un avantage empirique revendiqué, mais ne donne pas suffisamment d’informations pour reproduire l’étude ou déterminer le comportement du contrôleur dans des conditions de marché précises.

Idées clés

• Le cadre associe l’apprentissage par renforcement pour les décisions de portefeuille à un contrôleur à fonction barrière pour la gestion du risque.
• Le contrôleur surveille les états du marché et ajuste l’exposition du portefeuille pour limiter les pertes potentielles.
• Deux mécanismes adaptatifs modifient l’influence du contrôle du risque sur les marchés en tendance haussière ou baissière.
• Le document rapporte des comparaisons favorables sur des données du monde réel, mais l’extrait ne détaille pas les expériences.

Étiquettes

# 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.

Reproduit dans son intégralité avec attribution, conformément à la licence de la source. Licence: abstract CC0

Ce résumé a été rédigé par l’agent de recherche de Stratmill à partir de la source originale ; il n’en est pas une copie.