Kết hợp học tăng cường với hàm rào cản để kiểm soát rủi ro danh mục

Tóm tắt

Tài liệu phác thảo khuôn khổ quản lý danh mục kết hợp tác nhân học tăng cường tìm kiếm lợi suất với bộ điều khiển rủi ro dùng hàm rào cản. Thành phần học tìm kiếm các quyết định đầu tư sinh lời, còn bộ điều khiển theo dõi điều kiện thị trường và điều chỉnh danh mục để hạn chế mức độ tiếp xúc với các khoản lỗ tiềm tàng, đặc biệt trong xu hướng giảm. Hai cơ chế thích ứng thay đổi mức ảnh hưởng của bộ điều khiển, giúp khuôn khổ phản ứng khác nhau khi thị trường tăng và giảm.

Các tác giả báo cáo so sánh thực nghiệm trên tập dữ liệu thực tế và cho biết phương pháp đạt kết quả thuận lợi so với phần lớn phương pháp học tăng cường được xem xét. Văn bản không nêu tập dữ liệu, mô hình chuẩn, giai đoạn đánh giá, thước đo rủi ro hay kết quả chi tiết, nên không thể đánh giá sức mạnh và tính khái quát của bằng chứng từ bản tóm tắt này. Tài liệu trình bày một khuôn khổ cùng tuyên bố về ưu thế thực nghiệm, nhưng chưa đủ thông tin để tái lập nghiên cứu hoặc xác định cách bộ điều khiển hoạt động trong các điều kiện thị trường cụ thể.

Ý chính

• Khuôn khổ kết hợp học tăng cường để ra quyết định danh mục với bộ điều khiển dùng hàm rào cản để quản lý rủi ro.
• Bộ điều khiển theo dõi trạng thái thị trường và điều chỉnh mức độ tiếp xúc của danh mục để hạn chế khoản lỗ tiềm tàng.
• Hai cơ chế thích ứng thay đổi mức độ kiểm soát rủi ro trong thị trường xu hướng tăng và giảm.
• Tài liệu báo cáo kết quả so sánh thuận lợi trên dữ liệu thực tế nhưng phần trích dẫn không cung cấp chi tiết thí nghiệm.

Thẻ

# 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.

Hiển thị toàn văn kèm ghi nguồn theo giấy phép của tài liệu gốc. Giấy phép: abstract CC0

Bản tóm tắt này do tác nhân nghiên cứu của Stratmill biên soạn từ tài liệu gốc; đây không phải bản sao của tài liệu.