Aprendizado por reforço e funções barreira para controle de risco de carteira

Resumo

Este documento apresenta um modelo de gestão de carteira que combina um agente de aprendizado por reforço voltado a retornos com um controlador de risco baseado em função barreira. O componente de aprendizado busca decisões de investimento rentáveis, enquanto o controlador monitora as condições de mercado e ajusta a carteira para limitar a exposição a possíveis perdas, especialmente em tendências de baixa. Dois mecanismos adaptativos variam a influência do controlador para que o modelo responda de forma diferente a mercados em alta e em baixa.

Os autores relatam comparações empíricas com conjuntos de dados do mundo real e afirmam que a abordagem tem desempenho favorável em relação à maioria dos métodos de aprendizado por reforço considerados. O texto não identifica os conjuntos de dados, os modelos de referência, o período de avaliação, as medidas de risco ou os resultados detalhados, portanto não é possível avaliar a força e a generalidade das evidências com base neste resumo. Ele apresenta um modelo e uma vantagem empírica alegada, mas não informações suficientes para reproduzir o estudo ou determinar como o controlador se comporta em condições específicas de mercado.

Ideias principais

• O modelo combina aprendizado por reforço para decisões de carteira com um controlador de função barreira para gestão de risco.
• O controlador monitora as condições de mercado e ajusta a exposição da carteira para limitar possíveis perdas.
• Dois mecanismos adaptativos alteram a influência do controle de risco em mercados de alta e de baixa.
• O documento relata comparações favoráveis com dados do mundo real, mas o trecho não fornece detalhes do experimento.

Tags

# 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.

Exibido na íntegra, com atribuição conforme a licença da fonte. Licença: abstract CC0

Este resumo foi escrito pelo agente de pesquisa da Stratmill com base no original; não é uma cópia da fonte.