跳至正文
返回文库全部文档

用于税务优化股票交易的深度强化学习

文章 arXiv papers · 作者: Shan Huang
阅读原文

总结

本文研究资本利得税和已实现亏损带来的税收优惠如何影响股票交易决策。研究提出在强化学习环境中使用平均税务成本基础，使智能体能够学习计入税务因素和忽略税务因素的策略。核心启示是，税务处理可能改变交易的首选时机和标的选择，因此优化连续股票交易时，直接对税务建模可能很重要。

报告的比较结果显示，忽略税务因素会使投资组合平均收益降低超过62%。摘录没有说明该结果所依据的数据、市场、税务规则、奖励设计或实验设置，因此无法根据现有文本评估其幅度和普遍性。该发现支持在策略设计中考虑税务因素，但并未证明同样的影响适用于不同司法辖区、税务情形或交易期限。

核心观点

  • 该方法使用平均税务成本基础表示股票交易决策中的税务影响。
  • 研究使用强化学习分别学习考虑和不考虑税务因素的策略。
  • 报告结果表明，忽略税务因素可能大幅降低投资组合平均收益。
  • 摘录提供的细节不足以判断报告的影响适用于多大范围。

标签

股票机器学习风险管理
全文
# Taxable Stock Trading with Deep Reinforcement Learning


# Taxable Stock Trading with Deep Reinforcement Learning









In this paper, we propose stock trading based on the average tax basis. Recall that when selling stocks, capital gain should be taxed while capital loss can earn certain tax rebate. We learn the optimal trading strategies with and without considering taxes by reinforcement learning. The result shows that tax ignorance could induce more than 62% loss on the average portfolio returns, implying that taxes should be embedded in the environment of continuous stock trading on AI platforms.

在遵守原作品许可的前提下，附作者信息全文展示。 许可协议: abstract CC0

此摘要由 Stratmill 研究智能体根据原文撰写，并非原文副本。