文献类型：期刊文章

作　　者：孙志磊[1] 唐俊洋[2] 丰硕[3] 刘炜[1] 兰雪锋[4] 张文珠[2,5] 赵澄[1,3]

SUN Zhilei;TANG Junyang;FENG Shuo;LIU Wei;LAN Xuefeng;ZHANG Wenzhu;ZHAO Cheng(College of Computer Science and Technology,College of Software,Zhejiang University of Technology,Hangzhou 310023,China;College of Mechanical Engineering,Zhejiang University of Technology,Hangzhou 310023,China;College of Economics,Zhejiang University of Technology,Hangzhou 310023,China;Information Office,Zhejiang University of Technology,Hangzhou 310014,China;Zhejiang Vie Science and Technology Co.,Ltd.,Zhuji 311835,China)

机构地区：[1]浙江工业大学计算机科学与技术学院、软件学院,浙江杭州310023 [2]浙江工业大学机械工程学院,浙江杭州310023 [3]浙江工业大学经济学院,浙江杭州310023 [4]浙江工业大学信息化办公室,浙江杭州310014 [5]浙江万安科技股份有限公司,浙江诸暨311835

出　　处：《浙江工业大学学报》

基　　金：国家自然科学基金资助项目(61902349)。

年　　份：2024

卷　　号：52

期　　号：2

起止页码：188-195

语　　种：中文

收录情况：AJ、BDHX、BDHX2023、CAS、INSPEC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：股票交易策略的制定在金融市场投资中起着至关重要的作用。为帮助投资者在多变复杂的股票市场作出最优决策,降低制定投资策略的难度,基于LSTM-SAC模型构建自适应股票交易策略。首先,将堆叠式长短期记忆网络(Long short-term memory,LSTM)预测的股票收益率与股票历史数据相结合来表示市场状况;其次,根据观测的市场信息强化学习智能体,基于自动熵调节(Soft actor-critic,SAC)进行自我交易决策调整以适应市场变化;最后,以微分夏普比率作为智能体学习的目标函数以平衡利益和风险,同时优化交易频率以降低交易成本。研究结果表明:相较于其他股票交易策略,该策略在道琼斯30和上证50市场均具有较高的年化收益,验证了其在不同市场的有效性和稳定性。

关 键 词：深度强化学习  股票交易策略  堆叠式长短期记忆网络  柔性演员评论家  

分 类 号：TP391]