Adaptive and Regime-Aware RL for Portfolio Optimization
创建于 更新于
摘要
本论文提出了一种结合隐含宏观经济周期信号的自适应强化学习（RL）框架，用于长期投资组合优化。通过引入三种无监督的市场状态识别方法（KMeans、GMM和HMM），构建带有显著市场风险场景与周期转移的模拟环境。针对该环境设计多种RL架构（PPO、LSTM-PPO、Transformer PPO）并与传统基准策略对比，实证结果显示基于Transformer的PPO模型在风险调整收益、财富累积和回测稳定性上显著优于其他模型，LSTM版本在解释性与训练成本上权衡良好。利用SHAP解释性分析验证了策略合理捕捉宏观经济结构风险与周期动态。该框架为理解动态资产配置中的风险调控与周期适配带来新的理论与实证支持，强化了基于市场环境感知的智能投资策略设计[page::0][page::4][page::8][page::13][page::18]。
