MTS: A Deep Reinforcement Learning Portfolio Management Framework with Time-Awareness and Short-Selling
作者: Fengchen Gu, Zhengyong Jiang, Ángel F. García-Fernández, Angelos Stefanidis, Jionglong Su, Huakang Li
发布时间: 2025-03-07
来源: arxiv
研究方向: 金融投资与算法交易
主要内容
本文提出了一种名为MTS的基于深度强化学习的投资组合管理框架，旨在解决传统投资组合管理在复杂和波动市场中表现不佳的问题。MTS通过结合时间感知性和卖空机制，提供了一种稳健且自适应的投资策略，以实现可持续的投资回报。
主要贡献
1. 1. 集成增量条件值风险（ICVaR）进行风险管理，以平衡风险和回报。
2. 2. 提出了一种新的编码器-注意力机制，以结合时间市场特征，捕获长期和短期时间模式。
3. 3. 提出了一种基于市场趋势的并行策略来管理卖空，增强整体风险管理框架。
研究方法
1. 1. 深度强化学习（DRL）
2. 2. 增量条件值风险（ICVaR）
3. 3. 时间感知相对多头注意力机制
4. 4. 并行策略
5. 5. 风险管理
实验结果
实验结果表明，MTS在五个不同的数据集上均优于传统算法和先进的机器学习技术。MTS在累积回报、夏普比率、Omega比率和Sortino比率等方面均表现出优异的性能，平均相对回报提高了30.67%，夏普比率提高了29.33%。
未来工作
未来工作将包括将MTS扩展到更广泛的金融市场，开发专门针对投资组合管理任务的新强化学习算法，以及将更先进的数学模型整合到框架中，以进一步提高策略的风险评估和决策能力。