Decomposable Reward Modeling and Realistic Environment Design for Reinforcement Learning-Based Forex Trading
创建于 更新于
摘要
本文提出一个用于外汇（Forex）交易的模块化强化学习框架：包含（1）严格反向因果、费用/杠杆/强制清算的高保真执行环境，（2）可分解的11项奖励构成以便逐项归因与消融，以及（3）带合法动作掩码的10动作离散交易接口。受控实验（EURUSD 训练切分）显示奖励组件间存在强非单调交互、扩展动作空间提高终点累计收益但增加交易活跃度与路径波动，而启用缩仓/加仓策略能有效降低最大回撤并改善终点收益表现 [page::19][page::20].
