本文選題：數(shù)字化資產配置 + 強化學習　； 參考：《山東大學》2017年碩士論文

【摘要】：近年來,強化學習在數(shù)字化資產配置和投資組合管理中應用日益加深。但是,絕大部分強化學習算法在應用于資產配置的過程中并不考慮風險這一因素,從而給投資者帶來的收益具有較強的波動性。這種風險中性的資產配置決策帶來的高波動性往往給投資者帶來較大的資產回撤。在資本市場中,無論是機構投資者還是個人投資者,在面臨較大的資產回撤時,往往選擇中斷投資并退出市場。這種做法規(guī)避進一步損失的同時也喪失了繼續(xù)盈利的機會,是投資者十分希望避免的局面。本文在傳統(tǒng)的強化學習模型引入風險這一因素,通過對風險項——資產最大回撤進行效用懲罰,提出了風險規(guī)避的強化學習模型。
[Abstract]:In recent years, reinforcement learning has been increasingly applied in digital asset allocation and portfolio management. However, most reinforcement learning algorithms do not take risk into account in the process of asset allocation, so the return to investors has strong volatility. The high volatility of this risk-neutral asset allocation decision often brings about a larger asset retreat for investors. In capital markets, both institutional and individual investors often choose to interrupt their investments and withdraw from the market when they are faced with larger asset recoveries. This approach avoids further losses while also losing the opportunity to continue to make profits, a situation that investors are keen to avoid. This paper introduces the risk into the traditional reinforcement learning model, and puts forward the reinforcement learning model of risk aversion by punishing the maximum withdrawal of the risk term.
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：F832.51

【相似文獻】

相關期刊論文 前9條

1 歲豐;最佳能源管理配置系統(tǒng)[J];管理科學文摘;1998年01期

2 李子江;論社會主義市場經濟資源配置系統(tǒng)[J];學術研究;1999年10期

3 何妍;;企業(yè)應建立人員配置系統(tǒng)而非單純的招聘系統(tǒng)[J];人力資源管理;2013年05期

4 伊輝勇;劉偉;應曉躍;鄭輝昌;;產品在線配置平臺的研究和設計[J];重慶科技學院學報;2006年05期

5 陳佩;;探析人員配置系統(tǒng)管理模型的構建[J];當代經濟;2010年12期

6 陳公平;;全配置BOM的探討[J];輕型汽車技術;2011年Z3期

7 ;新品:在線電纜配置系統(tǒng)“QuickPin2.0”[J];汽車工藝與材料;2009年06期

8 盧衛(wèi);張智;;城市住房供求梯次配置體系的構建[J];天津大學學報(社會科學版);2007年05期

9 潘p，

本文編號：2015151