arXiv cs.AI· Hrishikesh Singh, Aarti Sharma, Millie Pant·· 11 小时前AI 评分20
面向 Actor-Critic 智能体的金融上下文丰富策略：一种用于股票交易的深度强化学习方法
Financial Context-Rich Strategy for Actor-Critic based Agents: A Deep Reinforcement Learning Approach for Stock Trading
AI 导读
该研究提出一种基于情感分析部分与深度注入的深度强化学习方法，用于股票交易。实验对比了仅策略优化的 A2C、PPO 与结合 Q-learning 的 DDPG、TD3、SAC 两类 actor-critic 智能体，发现后者在情感深度注入后，在利润最大化和风险规避交易上均表现出一致且显著的提升。
正文 · AI 翻译
摘要：在现代金融市场中，超过四分之三的大宗交易由基于先进交易策略的算法交易执行，以实现比传统人类交易者更高的精度和速度。传统策略侧重于基于价格的指标，不足以捕捉由社会情绪、政治不稳定或突发经济变化等现实事件所产生的市场动态。随着深度强化学习（DRL）的兴起和数据可用性的提高，需要更高效的算法，能够将这些外部因素纳入交易策略。DRL 在模拟现实场景和简化复杂决策方面已显示出潜力，因为 DRL 智能体可以自动化交易过程，即以与人类交易者相当的方式执行交易。它们已表现出可靠的性能，因为它们可以根据风险和定量因素更新其策略。在本文中，我们提出了一种基于情感分析部分注入和深度注入的 DRL 方法。它具有基于 actor-critic 的智能体的不同策略设计：仅策略优化（A2C 和 PPO）以及策略优化结合 Q-learning 原理（DDPG、TD3 和 SAC）。我们的研究结果表明，基于策略优化并结合 Q-learning 的智能体在情感深度注入后，在利润最大化和风险规避交易方面显著且持续地表现出改进的性能。
| 主题： | 人工智能（cs.AI）；计算金融（q-fin.CP）；投资组合管理（q-fin.PM） |
| 引用为： | arXiv:2610.32237 [cs.AI] |
| （或 arXiv:2610.32237v1 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.32237 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Hrishikesh Singh [查看电子邮件]
[v1]
2026年10月23日星期五 06:46:09 UTC（865 KB）
来源：arXiv cs.AI · arxiv.org