Обучение с подкреплением и барьерные функции для контроля риска портфеля

Сводка

В документе описана модель управления портфелем, объединяющая агента обучения с подкреплением, ориентированного на доходность, и контроллер риска на основе барьерной функции. Обучающий компонент ищет выгодные инвестиционные решения, а контроллер отслеживает рыночные условия и корректирует портфель, ограничивая подверженность потенциальным убыткам, особенно при нисходящих трендах. Два адаптивных механизма меняют влияние контроллера, чтобы модель могла по-разному реагировать на растущие и падающие рынки.

Авторы сообщают об эмпирических сравнениях на реальных наборах данных и утверждают, что метод показывает хорошие результаты относительно большинства рассмотренных методов обучения с подкреплением. В тексте не указаны наборы данных, эталонные модели, период оценки, меры риска или подробные результаты, поэтому по этому резюме нельзя оценить силу и обобщаемость свидетельств. Представлена модель и заявленное эмпирическое преимущество, но информации недостаточно, чтобы воспроизвести исследование или определить поведение контроллера в конкретных рыночных условиях.

Ключевые идеи

• Модель объединяет обучение с подкреплением для принятия решений по портфелю с контроллером риска на основе барьерной функции.
• Контроллер отслеживает состояние рынка и корректирует риск портфеля, ограничивая потенциальные убытки.
• Два адаптивных механизма меняют влияние контроля риска при восходящем и нисходящем трендах.
• В документе сообщается о хороших результатах сравнений на реальных данных, но в отрывке нет подробностей экспериментов.

Теги

# 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.

Полный текст с указанием источника опубликован на условиях его лицензии. Лицензия: abstract CC0

Это краткое изложение подготовлено исследовательским агентом Stratmill по оригиналу и не является его копией.